<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Burak Akbulut on Medium]]></title>
        <description><![CDATA[Stories by Burak Akbulut on Medium]]></description>
        <link>https://medium.com/@akbulutburak?source=rss-9cc41ccdc976------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*1AwNnQSGXtgYkaE0WM2v-w.png</url>
            <title>Stories by Burak Akbulut on Medium</title>
            <link>https://medium.com/@akbulutburak?source=rss-9cc41ccdc976------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 19:33:17 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@akbulutburak/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Mentorluk Deneyimim: Bir Rehberlik Yolculuğu]]></title>
            <link>https://akbulutburak.medium.com/mentorluk-deneyimim-bir-rehberlik-yolculu%C4%9Fu-59b81c763078?source=rss-9cc41ccdc976------2</link>
            <guid isPermaLink="false">https://medium.com/p/59b81c763078</guid>
            <category><![CDATA[stem]]></category>
            <category><![CDATA[mentorship]]></category>
            <dc:creator><![CDATA[Burak Akbulut]]></dc:creator>
            <pubDate>Thu, 30 May 2024 08:36:06 GMT</pubDate>
            <atom:updated>2024-05-30T08:36:06.449Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*mDyKNHI_HSFYOrR_" /></figure><p>Hayatımızın bir döneminde hepimiz, “Keşke birisi bana ne yapmam gerektiğini söylese!” diye düşünmüşüzdür. Belki de bu zorlu süreçten bir dost veya mentor eliyle çıkmışızdır, belki de kendimiz cesaretimizi toplayıp kendi çabamızla kurtulmuşuzdur.</p><p>Ben de bu zorlu yollardan geçenlerden biriyim. Hangi bölümü seçmeliyim? Hangi şirkette çalışmalıyım? Kafamda binbir soru dolanmıştı.</p><p>Çareyi, alanında uzman kişilere danışmakta buldum. Katıldığım şirket ve üniversite etkinlikleri bana internette bulamadığım pratik bilgiler sundu. Bu sayede hedeflerimi belirledim ve onları gerçekleştirmek için adımlar atmaya başladım.</p><p>Tam da bu sebeple mentor olmaya karar verdim. Kendi deneyimlerimi paylaşarak, başkalarının bu zorlu yollardan daha emin adımlarla ve daha az stresle geçmelerine yardımcı olmak istiyorum. Karşılaşacakları zorlukları aşmalarına, hedeflerine ulaşmalarına ve kendilerine güvenlerini artırmalarına katkıda bulunmak en büyük hayalim.</p><p>Bu yazıda, <a href="https://sisterslab.org/">SistersLab’deki</a> mentorluk programımdaki deneyimlerimi sizlerle paylaşacağım. Mentorlüğe başlamak isteyen ama ne yapacağını bilmeyenler için bu yazının bir rehber olacağını umuyorum.</p><h3>Doğru sorular sormak</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*uQZkPzl0Ry4-tLK_" /></figure><p>Bir mentor olmak, sadece bilgi ve deneyim paylaşmaktan öte, menteenizin potansiyelini açığa çıkarmak için doğru soruları sorabilmeyi de gerektirir. Doğru sorular, menteenizin düşüncelerini derinleştirerek, problem çözme becerilerini geliştirmelerine ve kendi çözümlerini bulmalarına yardımcı olur.</p><p><strong>“Bu konuda ne düşünüyorsun?”</strong> veya <strong>“Bu durumu nasıl değerlendiriyorsun?”</strong> gibi sorular, menteenizin daha fazla bilgi paylaşmasını ve konuyu detaylandırmasını sağlayarak kapsamlı düşünmesini teşvik eder.</p><p>Bazen en güçlü sorular sessizliğin ardından gelir. Menteenize düşünmesi için zaman tanıyın ve hemen bir cevap beklemeyin. Sessizlik, menteenizin daha derinlemesine düşünmesine ve daha anlamlı cevaplar bulmasına yardımcı olabilir.</p><h3>Aktif dinleme</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*N5ufaw_i6a6XuJQx.jpeg" /></figure><p>Dinleme, menteenizle güçlü bir bağ kurmanın anahtarlarından biridir. İyi bir dinleyici olmak, menteenizin kendini değerli hissetmesini sağlar ve onunla daha derin bir ilişki kurmanıza yardımcı olur.</p><p>Göz teması kurarak, başınızı sallayarak veya kısa onay cümleleri kullanarak (örneğin, <strong>“Anlıyorum”</strong> veya <strong>“Evet, devam et”</strong>) menteenizin konuşmasını teşvik edebilirsiniz. Bu, menteenizin kendini duyulmuş ve anlaşılmış hissetmesini sağlar.</p><p>Menteenizin söylediklerini daha iyi anlamak ve konuyu derinleştirmek için takip soruları sorun. <strong>“Bu konuda biraz daha detay verebilir misin?”</strong> veya <strong>“Bu durum seni nasıl etkiledi?”</strong> gibi sorular, menteenizin konuyu daha derinlemesine ele almasına ve sizin de daha iyi anlamanıza yardımcı olur.</p><h3>Stratejik düşünmeyi teşvik etme</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/0*sf2jy3hrBR2YOVEw.jpeg" /></figure><p>Stratejik düşünme, menteenizin uzun vadeli hedeflere odaklanmasını, önceliklerini belirlemesini ve bilinçli kararlar almasını sağlar. Bir mentor olarak, menteenizi stratejik düşünmeye teşvik etmek için çeşitli yöntemler kullanabilirsiniz.</p><p>Stratejik düşünmeyi teşvik etmenin ilk adımı, menteenizin büyük resmi görmesini sağlamaktır. Ona, mevcut durumunu ve hedeflerini geniş bir perspektiften değerlendirmesi için rehberlik edin. <strong>“Eğer ‘evet’ dersen, neye ‘hayır’ demiş oluyorsun?”</strong> sorusunu kullanarak, menteenizin her kararının bir bedeli ve alternatifi olduğunu anlamasına yardımcı olun. Bu soru, menteenizin kaynaklarını ve zamanını daha etkili kullanmasına olanak tanır.</p><p>Menteenizin önceliklerini belirlemesine yardımcı olmak için onunla birlikte hedef belirleme ve planlama yapın. Bu süreçte, kısa ve uzun vadeli hedefler belirleyerek, her bir hedefin önemini ve etkisini tartışın. Menteenize, hedeflerine ulaşmak için hangi adımları atması gerektiğini ve bu adımların zamanlamasını planlamasında destek olun. Bu, menteenizin stratejik düşünme becerilerini geliştirir ve ona yol haritası sunar.</p><p>Stratejik düşünmeyi teşvik etmek için menteenize analitik beceriler kazandırmak da önemlidir. Onunla birlikte, mevcut durumu analiz ederek, güçlü ve zayıf yönleri belirleyin. Fırsatlar ve tehditler hakkında konuşarak, menteenizin dış çevreyi nasıl değerlendireceğini öğretin. SWOT analizi gibi araçlar kullanarak, menteenizin durumunu objektif bir şekilde değerlendirmesine yardımcı olun.</p><h3>Geri Bildirim</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*KTVLCc5ZdnoXuX5c.jpg" /></figure><p>Geri bildirim vermek, menteenizin gelişimine katkıda bulunmanın önemli bir parçasıdır. Geri bildirim, menteenizin güçlü yönlerini pekiştirir ve gelişim alanlarını belirlemelerine yardımcı olur.</p><p>Geri bildirim verirken, her zaman spesifik ve net olun. Genel yorumlar yerine, menteenizin belirli davranışları ve performansları hakkında konuşun. Örneğin, <strong>“Son projenin sunumu gerçekten etkileyiciydi”</strong> demek yerine, <strong>“Son projenin sunumunda verileri görsellerle desteklemen, izleyicilerin konuyu daha iyi anlamasını sağladı”</strong> gibi daha spesifik ve açıklayıcı bir geri bildirim verin. Bu, menteenizin neyi doğru yaptığını daha iyi anlamasını sağlar.</p><p>Ayrıca, geri bildirim verirken zamanlama çok önemlidir. Geri bildirimi, olayın hemen ardından veya uygun bir zamanda vermek, menteenizin durumu daha net hatırlamasına ve geri bildirimden daha fazla fayda sağlamasına yardımcı olur. Geri bildirimi geciktirmek, menteenizin hatırlamakta zorlanabileceği ve dolayısıyla geri bildirimin etkisinin azalacağı anlamına gelebilir.</p><p>Geri bildirim verirken, menteenizin de geri bildirim vermesini teşvik edin. Bu, geri bildirim sürecinin iki yönlü bir iletişim olmasını sağlar. Menteenizin kendi performansını değerlendirmesi ve sizin geri bildirimlerinizi nasıl algıladığını paylaşması, onun gelişimine katkıda bulunur. Örneğin, <strong>“Bu konuda senin bakış açını da duymak isterim”</strong> diyerek menteenizin düşüncelerini paylaşmasını sağlayabilirsiniz.</p><p>Mentorluk yaparken öğrendiğim en önemli şey, her bireyin farklı olduğunu ve her birinin kendi yolculuğunda ona özgü bir destek ve rehberliğe ihtiyaç duyduğudur. Sisterslab’teki mentorluk sürecim bana sabır, empati ve liderlik konularında da çok şey kattı. Bu deneyimler, hem benim kişisel gelişimime hem de menteelerimin başarılarına katkıda bulundu. Mentor olmak isteyen herkese bu süreçte bolca sabır ve keyifli anlar diliyorum.</p><blockquote><strong>Sisterslab</strong>, STEM alanlarında toplumsal cinsiyet eşitliği ve kadın güçlenmesi için çalışıyor. Bu kapsamda kadınlara yönelik eğitimler, mentorluk, etkinlikler ve kariyer fırsatları sunuyorlar. Eğer siz de gönüllü mentor olmak isterseniz, Sisterslab’in <a href="https://sisterslab.org/iletisim/">sosyal medya hesaplarından</a> başvuru sürecini takip edebilirsiniz.</blockquote><p><strong>Kaynak</strong><br>Stanier, Michael Bungay — The Coaching Habit_ Say Less, Ask More &amp; Change the Way You Lead Forever-Michael Bungay Stanier_Box of Crayons Press (2016)</p><p>*Bu yazı, akıcılık ve netlik sağlamak amacıyla ChatGPT tarafından gözden geçirilmiştir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=59b81c763078" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Generative AI’ın Geleceği ~ Bölüm 9]]></title>
            <link>https://medium.com/kodluyoruz/generative-ai%C4%B1n-gelece%C4%9Fi-b%C3%B6l%C3%BCm-9-0683cb7f56fa?source=rss-9cc41ccdc976------2</link>
            <guid isPermaLink="false">https://medium.com/p/0683cb7f56fa</guid>
            <category><![CDATA[üretken-yapay-zeka]]></category>
            <category><![CDATA[ai-policy]]></category>
            <category><![CDATA[gemini]]></category>
            <category><![CDATA[large-language-models]]></category>
            <category><![CDATA[chatgpt]]></category>
            <dc:creator><![CDATA[Burak Akbulut]]></dc:creator>
            <pubDate>Mon, 25 Dec 2023 17:48:00 GMT</pubDate>
            <atom:updated>2025-10-09T14:28:07.648Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Du3jPPGfbHu-xxEx" /><figcaption><a href="https://www.hbo.com/westworld">Kaynak</a></figcaption></figure><p>Kasım 2022 GPT-3 modelinin yayına çıkmasından sonra şirketler yapay zeka yarışını daha fazla hızlandırdı. Bu yarış bir ego savaşı mı yoksa topluma daha çok fayda sağlama fırsatı mı?</p><p>Böyle bir giriş yapmamın sebebi New York Times’da <a href="https://www.nytimes.com/2023/12/03/technology/ai-openai-musk-page-altman.html">Ego, Fear and Money: How the A.I. Fuse Was Lit</a> yayınlanan yazıdan dolayı. Yapay Zekâ’nın bizleri ne kadar geliştireceğini bilsek de bu teknolojinin riskli yanları da var. Bir taraf Yapay Zekâ’nın insanlık için djital bir ütopya oluşturucağına düşünürken; diğer taraf bu teknolojiyi dikkatli kullanmadığımız halinde insanlığın sonunu getirebileceği düşüncesinde. Dijital bir ütopya nasıl olabilir acaba diye düşünüyorsanız <a href="https://youtu.be/9BqKiZhEFFw">Westworld</a> dizisini izlemenizi şiddetle tavsiye ederim.</p><p>Westworld’ü 7 yıl önce izlediğimde dijital bir ütopya oluşturmanın bilim kurgu seviyesinde kalabileceğini düşünmüştüm. Son zamanlarda Üretken Yapay Zekâ üzerine yapılan çalışmalar sayesinde artık yakın bir zamanda böyle bir ütopya oluşturulabileceğini düşünüyorum.</p><p>Yapay Zekâ sistemleri, donanım üzerinde inşa edilen otomobiller, uçaklar, silahlar gibi maliyetli sistemler değildir. Yapay Zekâ algoritmanların kopyalanması ve paylaşılması çok daha kolay ve ucuzdur. Bu sistemler geliştikçe daha iyi, daha ucuz ve daha yaygın hale gelecektir.</p><h3>LLM’lerin Gelecekteki Rolü</h3><p>Üretken Yapay Zekâ’nın en heyecan verici ve potansiyel dolu alanlarından biri olan Large Language Models (LLM’ler), dil anlama ve üretiminin sınırlarını zorlamakta ve makine zekasının geleceğini yeniden şekillendirmektedir.</p><p>Özellikle GPT-4 ve Gemini gibi modellerle, ölçeklendirme yoluyla önemli performans iyileştirmeleri ve beklenmedik yetenekler sergilemeye başlamıştır. Bu modellerin parametre sayılarının artmasıyla, daha karmaşık görevleri anlama ve çözme kapasiteleri artmaktadır.</p><p>Gelecekte, LLM’ler daha da büyük ölçeklere ulaşarak ve daha sofistike görevleri yerine getirebilmek için geliştirildiğinde sağlık, hukuk ve mühendislik gibi daha birçok alanda uzmanlık ve bilgi birikimi gerektiren profesyonel sektörlerde kritik roller üstleneceği öngörülmektedir.</p><p>Aşağıdaki tabloya dikkat ettiğimizde LLM’ler (Large Language Models) bir matematik problemi çözme görevinde %53 doğruluk oranı vermektedir. Bu, bu tür modellerin karmaşık mantıksal ve niceliksel kavramları anlama ve işleme kapasitelerinin sınırlı olduğunu gösterir.</p><p>Ancak, bu doğruluk oranı, dil modellerinin gelişiminde önemli bir adımı temsil eder, çünkü geleneksel olarak dil modelleri dil tabanlı görevlerde daha başarılı olmuştur, matematiksel veya mantıksal problemlerle başa çıkmakta ise daha az etkili olmuşlardır. Bu durum, LLM’lerin karmaşık problem çözme ve analitik düşünme becerilerini geliştirmede ilerleme kaydettiğini göstermektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Q3nLRJcJ7lOxgEAw" /><figcaption><a href="https://deepmind.google/technologies/gemini/#introduction">Kaynak</a></figcaption></figure><p>Bununla birlikte, bu oran aynı zamanda bu modellerin hala insan düzeyinde performans sergilemekten uzak olduğunu da göstermektedir. Matematik problemlerini çözerken, LLM’lerin mantıksal tutarlılık, niceliksel analiz ve somut verilerle çalışma konularında geliştirilmesi gerekmektedir. Bu tür modellerin eğitimi sırasında matematiksel düşünme ve problem çözme yeteneklerinin daha fazla vurgulanması, doğruluk oranlarının artırılmasına yardımcı olabilir.</p><p>Ayrıca, bu modellerin daha spesifik ve karmaşık matematiksel kavramları anlamasını sağlayacak şekilde eğitim veri setlerinin genişletilmesi de önemlidir. İlerleyen zamanlarda, LLM’lerin bu tür görevlerdeki performansının artırılması, eğitim, araştırma ve endüstriyel uygulamalarda daha etkili kullanımlarını mümkün kılacaktır.</p><h3>Yasalar ve Politikalar</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*5aPd1E-kKwnHP593" /><figcaption>DALL-E tarafından oluşturulmuştur.</figcaption></figure><p>Yapay Zekâ, son yıllarda önemli ilerlemeler kaydetmiş ve hayatımızın birçok alanında kullanılmaya başlanmıştır. Bu hızlı gelişim, yapay zekâ teknolojilerinin etik, güvenlik ve insan hakları gibi konularda yaratabileceği riskleri de beraberinde getirmiştir. Bu nedenle, yapay zekânın toplum üzerindeki etkilerini düzenlemek ve olası zararları önlemek amacıyla uluslararası ve ulusal düzeyde çeşitli politika ve yasalar geliştirilmektedir.</p><p><a href="https://ec.europa.eu/commission/presscorner/detail/en/ip_23_6473"><strong>European Parliament AI Act:</strong></a> Avrupa Parlamentosu tarafından kabul edilen AI Act, yapay zekâ teknolojilerinin güvenliğini ve temel haklara saygılı olmasını sağlamayı amaçlamaktadır. Bu yasa, yapay zekâ sistemlerinin risk düzeylerine göre sınıflandırılmasını, veri kalitesi, şeffaflık, insan gözetimi ve hesap verebilirlik gibi konuları içermektedir. Avrupa Birliği’nin AI teknolojilerini düzenleyen ilk kapsamlı yasası olma özelliğini taşımaktadır.</p><p><a href="https://oecd.ai/en/ai-principles"><strong>OECD AI Principles:</strong></a><strong> </strong>OECD, yapay zekâ teknolojilerinin inovatif ve güvenilir olmasını, aynı zamanda insan haklarına ve demokratik değerlere saygı göstermesini teşvik eden bir dizi prensip yayınlamıştır. Bu ilkeler, yapay zekânın toplumsal ve ekonomik hedeflere uygun bir şekilde geliştirilmesini sağlamak amacıyla kapsamlı bir çerçeve oluşturmaktadır.</p><p><a href="https://www.unesco.org/en/artificial-intelligence"><strong>UNESCO AI Policy:</strong></a> UNESCO, yapay zekânın etik kullanımı konusunda küresel bir standart belirleyen ve üye ülkeler tarafından kabul edilen “<a href="https://unesdoc.unesco.org/ark:/48223/pf0000367823">Yapay Zekânın Etik Kullanımı Üzerine Tavsiye</a>” adında bir belge yayınlamıştır. Bu belge, yapay zeka teknolojilerinin eğitim ve araştırma alanlarında kullanımına yönelik politika rehberleri ve çerçeveler sunmaktadır.</p><p>Bu politika ve yasalar, yapay zeka teknolojilerinin sorumlu bir şekilde geliştirilmesi ve kullanılması için önemli adımlar olup, bu alandaki hızlı gelişmelerin kontrol altında tutulması ve toplumun genel yararına hizmet etmesi açısından büyük önem taşımaktadır.</p><h3>Toplumsal Etki ve İş gücü</h3><p>LLM’ler, çeşitli endüstriyel uygulamalarda devrim yaratabilir. Metin yazarlığından müşteri hizmetlerine, tasarımdan veri analizine kadar birçok alanda kullanılıyorlar. Ancak, bu gelişmeler, işgücü piyasasında dönüşümlere neden olacak.</p><p><a href="https://www.weforum.org/publications/the-future-of-jobs-report-2023/">WEF Future of Jobs 2023</a> raporu, Large Language Models (LLM’ler) gibi yapay zeka teknolojilerinin yükselişiyle paralel olarak, işgücü piyasası ve eğitim sistemlerinin dönüşümüne odaklanıyor. Bu dönüşüm, özellikle otonom işlerin yapay zeka tarafından üstlenilmesi potansiyeli açısından önem taşıyor. Raporda vurgulanan core skiller, bu yeni çağa uyum sağlamak ve teknolojik ilerlemelerin getirdiği fırsatları en iyi şekilde değerlendirebilmek için kritik öneme sahip.</p><p><strong>Teknoloji ve Otonom İşler:</strong> Yapay zeka ve otomasyon, birçok rutin ve tekrar eden işi devralma potansiyeline sahip. Bu, çalışanların daha karmaşık, yaratıcı ve stratejik görevlere odaklanmasını sağlayacak.</p><p><strong>Core Skillerin Önemi:</strong> Analitik düşünme, problem çözme, programlama, veri analizi ve dijital beceriler gibi core skiller, yapay zeka çağında hayati rol oynayacak. Bu beceriler, teknolojiyle bütünleşmiş bir iş piyasasında rekabet edebilmek için gerekli.</p><p><strong>Eğitim ve Öğrenme Yaklaşımı:</strong> Sürekli öğrenme ve beceri geliştirme, bu dönüşüm sürecinde merkezi bir konumda. Öğrenciler ve çalışanlar, değişen iş piyasasına uyum sağlayabilmek için sürekli kendilerini yenilemek zorunda kalacaklar.</p><p><strong>İş ve Teknoloji Entegrasyonu:</strong> İnsan ve yapay zeka işbirliğinin artması, işyerlerindeki rol ve sorumluluk yapılarını değiştirecek. Bu, ekiplerin ve bireylerin teknoloji ile daha uyumlu çalışmasını gerektirecek.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*R1kF0EzHPLWHOytW" /></figure><p>Sonuç olarak, Üretken Yapay Zekâ ve LLM’lerin gelişimi, toplumumuzun ve iş dünyasının geleceği üzerinde büyük bir etki yaratacaktır. Yapay zekânın sınırlarını genişleten bu teknolojiler, hem büyük fırsatlar sunmakta hem de yeni zorlukları beraberinde getirmektedir. Önümüzdeki yıllarda, yapay zekâ teknolojilerinin daha da gelişmesi beklenirken, bu gelişmelerin etik, güvenlik ve insan haklarına uygun bir şekilde yönetilmesi gerekmektedir.</p><p>Avrupa Parlamentosu’nun AI Act’i, OECD’nin AI ilkeleri ve UNESCO’nun yapay zekâ politikaları gibi uluslararası düzenlemeler, bu teknolojilerin sorumlu bir şekilde kullanılmasını sağlamak için önem taşımaktadır. Ayrıca, işgücü piyasasında yaşanacak dönüşümler, eğitim sistemlerinin ve çalışanların sürekli öğrenme ve kendini yenileme ihtiyacını ortaya çıkaracaktır.</p><p>Bu dönemde, herkesin yapay zekâ ve ilgili teknolojiler hakkında bilgi sahibi olması ve bu alandaki gelişmeleri takip etmesi gerekmektedir. Yapay zekâ çağına uyum sağlamak ve bu teknolojilerin sunduğu fırsatlardan yararlanmak için sürekli öğrenme ve beceri geliştirme ön plana çıkacaktır.</p><p>Son olarak, yapay zekâ teknolojilerinin geleceğini şekillendiren bu dönemde, bu teknolojilerin insanlığın genel yararına hizmet etmesi için toplumsal bilinç ve etik standartların geliştirilmesi büyük önem arz etmektedir. Hepimiz için heyecan verici ve potansiyel dolu bir gelecek bizi bekliyor. Bu yolda ilerlerken, yapay zekânın getireceği yeniliklere ve değişimlere hazır olmalıyız.</p><p>Başka yazılarda yeniden görüşmek dileğiyle 🙂</p><h4>Kaynaklar</h4><p><a href="https://www.nytimes.com/2023/12/03/technology/ai-openai-musk-page-altman.html">Ego, Fear and Money: How the A.I. Fuse Was Lit</a></p><p><a href="https://reader.foreignaffairs.com/2023/08/16/the-ai-power-paradox/content.html?utm_source=substack&amp;utm_medium=email">The AI Power Paradox</a></p><p><a href="https://www.weforum.org/publications/the-future-of-jobs-report-2023/">WEF Future of Jobs 2023</a></p><p><a href="https://ec.europa.eu/commission/presscorner/detail/en/ip_23_6473">European Parliament AI Act</a></p><p><a href="https://oecd.ai/en/ai-principles">OECD AI Principles</a></p><p><a href="https://www.unesco.org/en/artificial-intelligence">UNESCO AI Policy</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0683cb7f56fa" width="1" height="1" alt=""><hr><p><a href="https://medium.com/kodluyoruz/generative-ai%C4%B1n-gelece%C4%9Fi-b%C3%B6l%C3%BCm-9-0683cb7f56fa">Generative AI’ın Geleceği ~ Bölüm 9</a> was originally published in <a href="https://medium.com/kodluyoruz">Kodluyoruz</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Generative AI Kaynak Rehberi ~ Bölüm 8]]></title>
            <link>https://medium.com/kodluyoruz/generative-ai-kaynak-rehberi-b%C3%B6l%C3%BCm-8-d3eb8cc346cc?source=rss-9cc41ccdc976------2</link>
            <guid isPermaLink="false">https://medium.com/p/d3eb8cc346cc</guid>
            <category><![CDATA[chatgpt]]></category>
            <category><![CDATA[üretken-yapay-zeka]]></category>
            <dc:creator><![CDATA[Burak Akbulut]]></dc:creator>
            <pubDate>Mon, 25 Dec 2023 17:45:13 GMT</pubDate>
            <atom:updated>2025-10-09T14:27:59.882Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*aK2UbebmjHVmhQmCsTC8cQ.png" /><figcaption><a href="https://twitter.com/ChatGPTapp/status/1736511951377973708/photo/1">Kaynak</a></figcaption></figure><p>Yapay Zekâ alanında giderek gelişen ve popülerleşen bir alt alan Üretken Yapay Zekâ (Generative AI). Bu yazımda, Generative AI’nın öğrenilmesine yönelik kaynakları, kursları, akademik makaleleri ele alacağım.</p><p>Bu rehber, başlangıç seviyesinden ileri düzeye kadar herkes için faydalı olacak şekilde hazırlanmıştır.</p><h3>Online Kurslar</h3><p><a href="https://www.coursera.org/learn/generative-ai-for-everyone#modules"><strong>Generative AI for Everyone</strong></a></p><p>“Generative AI for Everyone” kursu, üretken yapay zeka teknolojilerini anlamak ve bunları günlük işlerde nasıl kullanabileceğinizi öğretmeye odaklanan bir eğitim programıdır. Kurs, Üretken Yapay Zekâ’nın işleyişi, potansiyeli ve sınırlamaları hakkında derinlemesine bilgiler sunarken, gerçek dünya uygulamaları üzerinden pratik deneyimler ve gelişmiş AI kullanımı için ipuçları sağlar.</p><p><a href="https://www.coursera.org/learn/generative-ai-with-llms"><strong>Generative AI with Large Language Models</strong></a></p><p>“Generative AI with Large Language Models (LLMs)” kursu, üretken yapay zekanın temellerini ve gerçek dünya uygulamalarında nasıl kullanılacağını öğreten orta seviye bir eğitim programıdır. Kurs, LLM tabanlı Üretken Yapay Zekâ yaşam döngüsünü, transformer mimarisini, model optimizasyonunu ve özel kullanım durumlarına uyarlama yöntemlerini kapsamlı bir şekilde anlatır. Python programlama dili ve makine öğrenmesinin temel prensipleri hakkında bilgi sahibi olan katılımcılar için idealdir ve DeepLearning.AI tarafından sunulan Makine Öğrenimi veya Derin Öğrenme Uzmanlık programlarını tamamlayanlar bu kursa katılarak Üretken Yapay Zekâ konusundaki bilgilerini derinleştirebilirler.</p><p><a href="https://www.cloudskillsboost.google/paths/118"><strong>Introduction to Generative AI Learning Path</strong></a></p><p>“Introduction to Generative AI Learning Path” eğitim yolu, Üretken Yapay Zekâ kavramlarını temel büyük dil modellerinden “Responsible AI” ilkelerine kadar kapsamlı bir şekilde ele alır. Bu path, Üretken Yapay Zeka’nın ne olduğunu, nasıl kullanıldığını ve geleneksel makine öğrenmesi yöntemlerinden nasıl farklılaştığını anlatan giriş seviyesinde modüllerden oluşur. Ayrıca, Google’ın “Responsible AI” uygulamaları ve bu alandaki en iyi uygulamaları hakkında bilgi verirken, kendi Generative AI uygulamalarınızı geliştirmek için Google araçlarını da tanıtır.</p><p><a href="https://ai.google.dev/tutorials/ai-studio_quickstart?hl=tr"><strong>Google AI Studio hızlı başlangıç kılavuzu</strong></a></p><p><a href="https://makersuite.google.com/?hl=tr">Google AI Studio</a>, Google Cloud tarafından sunulan bir web tabanlı araçtır. Bu araç, kullanıcıların Generative AI modellerini hızlı bir şekilde prototipleme ve test etmelerine olanak tanır.</p><p>İster bir yazılımcı olun, ister yapay zeka konusunda meraklı biri olun, yapay zeka modellerini keşfetmek ve kullanmak için harika bir araçtır. Ücretsiz olarak kullanılabilir.</p><p><a href="https://www.linkedin.com/learning/paths/career-essentials-in-generative-ai-by-microsoft-and-linkedin"><strong>Career Essentials in Generative AI by Microsoft and LinkedIn</strong></a></p><p>Bu ücretsiz kurs, Microsoft ve LinkedIn tarafından geliştirilmiş olup, LinkedIn Learning üzerinden sunulmaktadır. 6 modülden oluşan video içeren ve yaklaşık 4 saat süren bu program, yapay zekanın temel kavramlarından, sorumlu yapay zeka çerçevelerine kadar geniş bir yelpazede bilgiler sunar. Katılımcılar kursu tamamladıklarında Career Essentials Generative AI sertifikası alma imkanı da tanır, böylece yapay zeka alanındaki beceri ve bilgilerini profesyonel düzeyde kanıtlama fırsatı sunar.</p><p><a href="https://learn.microsoft.com/tr-tr/training/paths/introduction-generative-ai/"><strong>Microsoft Azure AI Ile İlgili Temel Bilgiler: Üretken Yapay Zeka</strong></a></p><p>Üretken Yapay Zekâ’nın temellerini ve Microsoft Azure AI ve Azure OpenAI Hizmeti’nin nasıl kullanılabileceğini öğretmeyi amaçlamaktadır. Kurs kapsamında, büyük dil modellerinin nasıl çalıştığını anlama, Üretken Yapay Zekâ teknolojilerine erişim, bu teknolojilerin verimliliği nasıl desteklediği ve istemlerin hassas ayarlanması gibi konular ele alınır. Ayrıca, Microsoft’un “Responsibe AI” ilkeleri ve etik yapay zeka ilerlemelerinin nasıl yönlendirildiği de kursun içeriğinde yer almaktadır.</p><p><a href="https://platform.openai.com/docs/guides/prompt-engineering/prompt-engineering"><strong>Prompt engineering</strong></a></p><p>Bu kılavuzda, GPT-4 gibi büyük dil modellerinden (bazen GPT modelleri olarak da anılır) daha iyi sonuçlar elde etmeye yönelik stratejiler ve taktikler paylaşılmaktadır.</p><p><a href="https://cloud.google.com/vertex-ai/docs/generative-ai/learn/introduction-prompt-design"><strong>Introduction to prompt design</strong></a></p><p>Büyük dil modellerinden istenen yanıtları elde etmek için uygun istemlerin nasıl oluşturulacağı ile ilgili temel kavramları, stratejileri ve en iyi uygulamaları tanıtmaktadır. Dil modelinden doğru ve yüksek kaliteli yanıtlar almak için iyi yapılandırılmış istemler yazmanın önemli olduğu vurgulanıyor.</p><p><a href="https://www.promptingguide.ai/"><strong>Prompt Engineering Guide</strong></a></p><p>Prompt Mühendisliği Rehberi, dil modellerini çeşitli görevlerde verimli kullanmak için komutlar geliştirmek isteyen araştırmacılar ve geliştiriciler için kapsamlı bir kaynaktır. Bu rehber, en son araştırmaları, öğrenme kılavuzlarını, dersleri, referansları ve araçları içerir ve prompt mühendisliğinin temellerini ve gelişmiş tekniklerini kapsar.</p><h3>Bloglar, Makaleler ve Araştırmalar</h3><p><a href="https://www.fast.ai/"><strong>Fast.ai</strong></a></p><p>Fast.ai, yapay zeka eğitimi sunan bir platformdur. Blogları, yapay zeka ve derin öğrenme konularında, hem teorik bilgileri hem de pratik uygulama önerilerini içeren, kolay anlaşılır ve uygulamaya yönelik içerikler sunar.</p><p><a href="https://deepmind.google/discover/blog/"><strong>DeepMind Blog</strong></a></p><p>Google’ın yapay zeka alanında öncü şirketi DeepMind’ın resmi blogudur. Yapay zeka araştırmalarındaki en son gelişmeleri, bilimsel buluşları ve teknolojik yenilikleri paylaşır, özellikle derin öğrenme ve yapay zeka etiği üzerine odaklanır.</p><p><a href="https://openai.com/blog"><strong>OpenAI Blog</strong></a></p><p>Yapay zekanın önde gelen araştırma kuruluşlarından biri olan OpenAI’nin blogu, yapay zeka teknolojileri ve uygulamaları hakkında detaylı araştırmalar ve makaleler sunar. GPT serisi gibi yenilikçi projelerin arkasındaki bilim ve teknolojiyi açıklar.</p><p><a href="https://ai.meta.com/blog/"><strong>AI at Meta Blog</strong></a></p><p>Facebook’un (şimdi Meta) yapay zeka departmanının blogudur. Bu blog, sosyal medya platformlarında yapay zeka kullanımı, makine öğrenmesi uygulamaları ve etik konular hakkında güncel bilgiler ve araştırmalar sunar, Meta’nın AI projelerinin arkasındaki düşünceleri ve yenilikleri paylaşır.</p><p><a href="https://www.sciencedirect.com/science/article/abs/pii/S1041608023000195"><strong>ChatGPT for good? On opportunities and challenges of large language models for education</strong></a></p><p>Büyük dil modellerinin eğitim uygulamalarının olası faydalarını ve zorluklarını öğrenci ve öğretmen perspektiflerinden tartışmaktadır. Modellerin eğitim içeriği oluşturma, öğrenci katılımını artırma ve öğrenme deneyimlerini kişiselleştirme potansiyeli vurgulanırken, öğretmenlerin ve öğrencilerin bu teknolojiyi anlamak ve sınırlamalarını kavramak için gerekli yetkinlikleri geliştirmeleri gerektiği belirtiliyor.</p><p><a href="https://www.sciencedirect.com/science/article/pii/S0268401223000233"><strong>Opinion Paper: “So what if ChatGPT wrote it?”</strong></a></p><p>ChatGPT gibi gelişmiş metin üretebilen yapay zeka araçlarının çeşitli bağlamlarda kullanımını ve bu teknolojinin organizasyonlar, toplum ve bireyler üzerindeki olumlu ve olumsuz etkilerini tartışmaktadır. Makale, 43 uzmanın katkılarıyla, ChatGPT’nin verimliliği artırma potansiyeli, mahremiyet ve güvenlik tehditleri, yanlılık ve yanıltıcı bilgiler gibi konuları ele alırken, bilgi, şeffaflık ve etik; organizasyonların ve toplumların dijital dönüşümü; ve öğretim, öğrenim ve akademik araştırma gibi tematik alanlarda daha fazla araştırmaya ihtiyaç duyulan soruları belirlemektedir.</p><p><a href="https://deepmind.google/discover/blog/funsearch-making-new-discoveries-in-mathematical-sciences-using-large-language-models/"><strong>FunSearch: Making new discoveries in mathematical sciences using Large Language Models</strong></a></p><p>Büyük Dil Modellerinin (LLM’ler) karmaşık görevleri çözmede büyük yetenekler sergilediğini ancak bazen yanlış ancak makul ifadeler üretebilen “konfabülasyonlar” veya “halüsinasyonlar” ile karşılaştığını belirtiyor. Bu sorunu çözmek için, eğitimli bir LLM ile sistemli bir değerlendiriciyi eşleştiren evrimsel bir yöntem olan FunSearch tanıtılmaktadır. Ayrıca, FunSearch’in genel kullanımı, çevrimiçi kutu paketleme gibi algoritmik bir soruna uygulanarak, yaygın kullanılan temel çözümlere göre geliştirilmiş yeni sezgisel yöntemler bulunmasına yardımcı olmuştur.</p><p><a href="https://reader.foreignaffairs.com/2023/08/16/the-ai-power-paradox/content.html?utm_source=substack&amp;utm_medium=email"><strong>The AI Power Paradox</strong></a></p><p>“2035 yılında yapay zeka her yerde. Yapay zeka sistemleri hastaneleri yönetiyor, havayolu şirketlerini işletiyor ve mahkemelerde birbirleriyle mücadele ediyor. Verimlilik, daha önce görülmemiş seviyelere ulaştı ve sayısız, daha önce hayal bile edilemeyen işletmeler, inanılmaz hızla büyüdü, büyük refah gelişmeleri sağladı. Her gün yeni ürünler, tedaviler ve yenilikler piyasaya sürülüyor; bilim ve teknoloji aşırı hızlanıyor. Ve yine de dünya, hem daha tahmin edilemez hem de daha kırılgan hale geliyor; teröristler, zeki ve gelişen siber silahlarla toplumları tehdit etmenin yeni yollarını buluyor ve beyaz yakalı işçiler toplu olarak işlerini kaybediyor…”</p><p>Bir <a href="https://medium.com/@akbulutburak/generative-ai%C4%B1n-gelece%C4%9Fi-b%C3%B6l%C3%BCm-9-0683cb7f56fa"><strong>sonraki yazımda</strong></a>, Üretken Yapay Zeka’nın geleceği, bu alanda beklenen yenilikler ve gelişmeler ile bu teknolojinin çeşitli sektörler üzerindeki potansiyel etkilerini detaylı bir şekilde ele alacağım</p><p>Görüşmek üzere!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d3eb8cc346cc" width="1" height="1" alt=""><hr><p><a href="https://medium.com/kodluyoruz/generative-ai-kaynak-rehberi-b%C3%B6l%C3%BCm-8-d3eb8cc346cc">Generative AI Kaynak Rehberi ~ Bölüm 8</a> was originally published in <a href="https://medium.com/kodluyoruz">Kodluyoruz</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Generative AI Araçları ~ Bölüm 7]]></title>
            <link>https://medium.com/kodluyoruz/generative-ai-ara%C3%A7lar%C4%B1-b%C3%B6l%C3%BCm-7-bfc911982873?source=rss-9cc41ccdc976------2</link>
            <guid isPermaLink="false">https://medium.com/p/bfc911982873</guid>
            <category><![CDATA[üretken-yapay-zeka]]></category>
            <category><![CDATA[midjourney]]></category>
            <category><![CDATA[chatgpt]]></category>
            <category><![CDATA[bard-ai]]></category>
            <dc:creator><![CDATA[Burak Akbulut]]></dc:creator>
            <pubDate>Mon, 25 Dec 2023 17:38:46 GMT</pubDate>
            <atom:updated>2025-10-09T14:27:53.802Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ITrHvQNZoM3qPeT-nQfZjw.png" /><figcaption>DALL-E tarafından oluşturulmuştur.</figcaption></figure><p>Üretken Yapay Zekâ alanındaki gelişmeler tüm sektörleri etkilemeye devam ediyor. Saatlerce harcadığımız emeği ve zamanı bu araçlar sayesinde, birkaç cümleden oluşan promptlar ile daha kısa sürede işleri çıkarmamıza yardımcı oluyor.</p><p>Bu yazımda popüler olan üretken yapay zeka araçlarını inceleyeceğiz. Üretken Yapay Zekâ aracına yazdığımız her bir prompt enerji harcadığından dolayı piyasadaki çoğu araçlar ücretli oluyor. Fakat ücretsiz sürümleri de mevcut.</p><p>Üretken Yapay Zekâ araçları görseller, metinler, videolar, seslar ve kodlar üretebilse de küçük oranlarda yanlış cevaplar verebileceklerini göz önünde bulundurmamız gerekir. Karmaşık dil anlama <a href="https://arxiv.org/pdf/2009.03300.pdf">(MMLU)</a> konusunda Google’un yeni ürünü olan Gemini yüzde 90 başarı oranına sahip. Bu oran, benzer bir ürün olan GPT-4&#39;te yüzde 86,4 iken uzman insanlarda yüzde 89,9 seviyesinde.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Ed6q6bBISDw0bM12" /></figure><p>Yapay Zekâ araçları ile ürettiklerinizi bir yerde veya kişiyle paylaşmadan önce doğruluğunu kontrol etmenizi tavsiye ederim :)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*qpdfhKnBtcLSeYzS" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*euxHuxAuanPQE9v6" /></figure><h3>ChatGPT</h3><p>OpenAI tarafından geliştirilen bir büyük dil modelidir. Metin üretebilir, dilleri çevirebilir, farklı türde yaratıcı içerikler yazabilir ve sorularınızı bilgilendirici bir şekilde yanıtlayabilir. ChatGPT, müşteri hizmetleri, eğitim ve eğlence gibi çeşitli amaçlar için kullanılabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*2DTafD66nIrBCRmp" /></figure><h3>Bard</h3><p>Google Bard, Google tarafından geliştirilen deneysel bir sohbet odaklı yapay zeka (AI) hizmetidir. Bard, özellikle LaMDA ve PaLM 2 gibi Google’ın kendi dil modellerini kullanarak internetten bilgi çekme ve çok modlu arama entegrasyonu yapma yeteneklerine sahiptir. Bard, kullanıcıların üretkenliklerini artırmak, fikirlerini hızlandırmak ve meraklarını tatmin etmek için tasarlanmıştır.</p><p>Kodlama görevleri gibi alanlarda yardımcı olabilir; örneğin, kod yazma, hata ayıklama ve açıklama yapma gibi işlevleri yerine getirebilir ve kodları Google Colab’a aktarabilir. Google Bard’ın, 40&#39;tan fazla dilde hizmet vermesi ve çok modlu bir arama özelliğine sahip olması, onu geniş bir kullanıcı kitlesi için erişilebilir kılıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/0*e206bKZs-IQzSZzp.gif" /></figure><h3>Claude</h3><p>Anthropic tarafından geliştirilen AI’dır. Claude, özetleme, arama, yaratıcı ve işbirlikçi yazma, soru-cevap, kodlama ve daha fazla kullanım alanı konusunda yardımcı olabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*mldPphH_rI-uY75E" /></figure><h3>Github Copilot</h3><p>GitHub tarafından geliştirilen bir AI yardımcısıdır. Kodunuzu tamamlamanıza, hatalarınızı düzeltmenize ve yeni fikirler üretmenize yardımcı olabilir. Github Copilot, yazılım geliştirme için kullanılabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jDgxfrxa6FoWb5e0VAFt-w.gif" /></figure><h4>Midjourney</h4><p>Midjourney tarafından geliştirilen bir görüntü oluşturucu AI’dır. Metin açıklamalarına dayalı olarak gerçekçi ve yaratıcı görüntüler oluşturabilir. Midjourney, sanat, tasarım ve eğlence gibi çeşitli amaçlar için kullanılabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Cp3jYUTjxstjpoWu" /></figure><h3>Meta AI</h3><p>Meta tarafından geliştirilen, bir kişi gibi etkileşim kurabileceğiniz yeni bir asistandır; WhatsApp, Messenger ve Instagram’da mevcuttur ve yakında Ray-Ban Meta akıllı gözlükleri ve Quest 3&#39;e de gelecek.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*a4KJ8_Eqsg1TwuHF" /></figure><h3>Dall-E</h3><p>DALL-E, OpenAI tarafından geliştirilen bir yapay zeka programıdır ve metin tabanlı açıklamaları kullanarak gerçekçi görüntüler oluşturabilir. Yaratıcı sanat eserleri, tasarım konseptleri ve çeşitli görsel içerikler üretmek için geniş bir kullanım alanına sahiptir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*fpw5Te8EPwy37d0_" /></figure><p>Bir <a href="https://medium.com/@akbulutburak/generative-ai-kaynak-rehberi-b%C3%B6l%C3%BCm-8-d3eb8cc346cc"><strong>sonraki yazımda</strong></a>, Üretken Yapay Zekâ öğrenmek için kullanabileceğimiz kaynaklarından bahsedeceğim.</p><p>Görüşmek üzere!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bfc911982873" width="1" height="1" alt=""><hr><p><a href="https://medium.com/kodluyoruz/generative-ai-ara%C3%A7lar%C4%B1-b%C3%B6l%C3%BCm-7-bfc911982873">Generative AI Araçları ~ Bölüm 7</a> was originally published in <a href="https://medium.com/kodluyoruz">Kodluyoruz</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Generative AI Etik Sorunları ~ Bölüm 6]]></title>
            <link>https://medium.com/kodluyoruz/generative-ai-etik-sorunlar%C4%B1-b%C3%B6l%C3%BCm-6-0aa811a4ee08?source=rss-9cc41ccdc976------2</link>
            <guid isPermaLink="false">https://medium.com/p/0aa811a4ee08</guid>
            <category><![CDATA[toxicity]]></category>
            <category><![CDATA[yapay-zekada-etik]]></category>
            <category><![CDATA[bias-in-ai]]></category>
            <category><![CDATA[üretken-yapay-zeka]]></category>
            <dc:creator><![CDATA[Burak Akbulut]]></dc:creator>
            <pubDate>Mon, 25 Dec 2023 17:31:29 GMT</pubDate>
            <atom:updated>2025-10-09T14:27:37.724Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*W1D0vF2NEpX_R3tT" /><figcaption><a href="https://www.evilaicartoons.com/archive/ai-as-a-moral-superpower">Kaynak</a></figcaption></figure><p>Üretken Yapay Zekâ modelleri, son yıllarda önemli bir gelişme göstererek hayatımızın birçok alanında etkili olmaya başladı. Özellikle ChatGPT gibi gelişmiş dil modelleri. Ancak, bu yenilikçi teknolojilerin kullanımı etik sorumlulukları ve toplumsal etkileri de beraberinde getiriyor.</p><p>Tam da bu konuya yönelik MIT (Massachusetts Teknoloji Enstitüsü) yapay zekâ ve etik konularını bir araya getirerek, kullanıcıların ahlaki kararlar almasına yönelik bir simülasyon geliştirdi.</p><p>Örneğin, bir otonom araç bir kavşakta hızlı bir şekilde ilerlerken aniden karşısına çıkan yayalardan kaçınmak için ani bir manevra yapmak zorunda. Manevra sırasında ya araçtaki yolcular zarar görecek ya da yaya geçidindekiler ile çarpışma riski ortaya çıkacak. Hangi seçeneği tercih edersiniz: araçtaki yolcuların güvenliğini mi, yoksa dışarıdaki yayaların güvenliğini mi?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*wwaB81JOMAN9E6sk" /></figure><p>Yazıyı devam etmeden kısa bir ara verip <a href="https://www.moralmachine.net/"><strong>Moral Machine</strong></a> adlı bu simülasyonu denemenizi rica edeceğim.</p><h3>Veri Önyargısı ve Çeşitliliği</h3><p><strong>Önyargı</strong></p><p>Yapay zekâ modelleri, eğitim verilerinden öğrenirler ve bu verilerdeki önyargıları içselleştirme eğilimindedirler. Bu durum, modelin ürettiği içeriğin belirli bir önyargıya sahip olmasına neden olabilir. Özellikle, toplumun farklı kesimlerini temsil etmeyen veya eksik veri setleri, modellerin çeşitlilik konusundaki yetersizliklerini ortaya çıkarabilir.</p><p>Örneğin, e-ticaret sitelerinin alışveriş asistanları eğitim verilerinde gençlere ağırlık veriyorsa, yaşlı kullanıcılar için önerilerde bulunma konusunda eksik veya önyargılı olabilir. Sonucunda, yaşlı kullanıcıların alışveriş deneyimlerini olumsuz etkileyebilir ve genel kullanıcı tabanını temsil etmeyen bir önyargı oluşturabilir.</p><p><strong>Çeşitlilik</strong></p><p>Farklı toplumlar, kültürler ve demografik gruplar, farklı değerlere, normlara ve önyargılara sahip olabilirler. Yapay zekâ sistemleri, eğitildikleri veri setlerindeki bu önyargıları öğrenme ve içselleştirme eğilimindedir.</p><p>Moral Machine simülasyonu, ülkeler arasında yaşanabilecek kültürel farklılıklara bağlı olarak farklı sonuçlara yol açabilmektedir. Örneğin, yaşlı bir kadın ile genç bir kadın arasında tercih yapma senaryosunda, Türkiye’de genç kadının kurtarılması daha sık tercih edilebiliyor.</p><p>Bu eğilim, toplumların etik değerleri ve önceliklerindeki farklılıkları yansıtabilir. Aşağıdaki grafik, bu senaryoya farklı ülkelerin nasıl yanıt verdiğini göstermektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*xfHP6E7EgL7ZzINE" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*-CwQjzmIDYAVzkVB" /><figcaption><a href="https://startupsavant.com/artificial-intelligence/moral-machine">Kaynak</a></figcaption></figure><h3>Toxicity ve Yanıt Sorumluluğu</h3><p>Üretken Yapay Zekâ modelleri, eğitildikleri veri setleri üzerindeki örüntüleri içselleştirerek, zaman zaman toplumsal normlara uymayan veya saldırgan içerikler üretebilirler. Bu durum, “toxicity” olarak adlandırılan ve olumsuz etkileşimleri tetikleyen bir sorunu ortaya çıkarabilir.</p><p>Toxicity problemleri, çeşitli sonuçlara yol açabilir. Örneğin, modelin ürettiği içerik, topluluk içinde anlaşılamayan veya hoşgörülen dışlamalara neden oluşturabilir. Bu durum, kullanıcılar arasında olumsuz etkileşimlere ve hatta toplumsal kutuplaşmalara sebep olacaktır.</p><p>Geçtiğimiz aylarda, yapay zeka araçları kullanılarak ünlü kişilerin seslerini taklit ederek, gerçekte söylemedikleri şeyleri söyleten vakalar gündeme geldi. Bu teknoloji, ses sentezi ve derin öğrenme yöntemlerini kullanarak, bir kişinin konuşma tarzını ve tonunu taklit edebiliyor.</p><p><a href="https://www.youtube.com/watch?v=IeorkObxk2s&amp;pp=ygUUY2VsYWwgxZ9lbmfDtnIgaWxhaGk%3D">Celal Şengör’ün dava açtığı ilahi videosu</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*bjE_eplFeWign0Ia" /><figcaption><a href="https://www.google.com/url?q=https://x.com/fatihaltayli/status/1679778809338273795?s%3D20&amp;sa=D&amp;source=docs&amp;ust=1703522781866589&amp;usg=AOvVaw0pDhdh5B9BdB-kqmfwcDNh">https://x.com/fatihaltayli/status/1679778809338273795?s=20</a></figcaption></figure><p>Başka bir örnekte, Midjourney adlı yapay zekâ modeli kullanılarak ortaya çıkan bir olay, Papa’nın şişme mont giydiği iddiasını içeren bir görselin sosyal medyada popüler hale gelmesiydi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/750/0*a3B0mStuH5kW6a20" /><figcaption><a href="https://www.google.com/url?q=https://teyit.org/analiz/papa-francisin-beyaz-mont-giydigi-fotografin-gercek-oldugu-iddiasi&amp;sa=D&amp;source=docs&amp;ust=1703522781866157&amp;usg=AOvVaw3Z0c7me3n2chIrgbqR9VXq">https://teyit.org/analiz/papa-francisin-beyaz-mont-giydigi-fotografin-gercek-oldugu-iddiasi</a></figcaption></figure><p>Üretken yapay zekâ, çeşitli sektörlerde verimiliği önemli derece değiştirebilecek büyük bir potansiyele sahiptir. Ancak, bu potansiyeli tam anlamıyla gerçekleştirebilmek için veri önyargısı, çeşitlilik, toplumsal etkiler ve diğer etik konuların etkili bir şekilde ele alınması zorunludur. Karşılaşılan kritik bir pratik zorluk, bu tür araçlar kasıtlı olarak kötüye kullanıldığında veya suistimal edildiğinde suçlulara yasal yaptırımlar uygulayamamalarıdır. Bu nedenle, bu araçları düzenlemek için yeni yasalar çıkarmak önemlidir.</p><p>Bir <a href="https://medium.com/@akbulutburak/generative-ai-ara%C3%A7lar%C4%B1-b%C3%B6l%C3%BCm-7-bfc911982873"><strong>sonraki yazımda</strong></a> Üretken Yapay Zekâ araçlarından ve bu araçlar ile neler yapabileceğinizden bahsedeceğim.</p><p>Görüşmek üzere!</p><p><strong>Kaynaklar</strong></p><p>Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., … &amp; Wright, R. (2023). “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642.</p><p>Floridi L, Cowls J, Beltrametti M, Chatila R, Chazerand P, Dignum V, Luetge C, Madelin R, Pagallo U, Rossi F, Schafer B, Valcke P, Vayena E. AI4People-An Ethical Framework for a Good AI Society: Opportunities, Risks, Principles, and Recommendations. Minds Mach (Dordr). 2018;28(4):689–707. doi: 10.1007/s11023–018–9482–5. Epub 2018 Nov 26. PMID: 30930541; PMCID: PMC6404626.</p><p>Stahl, B. C., &amp; Eke, D. (2024). The ethics of ChatGPT–Exploring the ethical issues of an emerging technology. International Journal of Information Management, 74, 102700.</p><p><a href="https://teyit.org/analiz/papa-francisin-beyaz-mont-giydigi-fotografin-gercek-oldugu-iddiasi">Sueda Karapınarlı, Papa Francis’in beyaz mont giydiği fotoğrafın gerçek olduğu iddiası</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0aa811a4ee08" width="1" height="1" alt=""><hr><p><a href="https://medium.com/kodluyoruz/generative-ai-etik-sorunlar%C4%B1-b%C3%B6l%C3%BCm-6-0aa811a4ee08">Generative AI Etik Sorunları ~ Bölüm 6</a> was originally published in <a href="https://medium.com/kodluyoruz">Kodluyoruz</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Generative AI Eğitim Süreci ~ Bölüm 5]]></title>
            <link>https://medium.com/kodluyoruz/%C3%BCretken-yapay-zek%C3%A2-e%C4%9Fitim-s%C3%BCreci-b%C3%B6l%C3%BCm-5-857c89deac26?source=rss-9cc41ccdc976------2</link>
            <guid isPermaLink="false">https://medium.com/p/857c89deac26</guid>
            <category><![CDATA[fine-tuning]]></category>
            <category><![CDATA[transfer-learning]]></category>
            <category><![CDATA[üretken-yapay-zeka]]></category>
            <dc:creator><![CDATA[Burak Akbulut]]></dc:creator>
            <pubDate>Tue, 10 Oct 2023 22:49:56 GMT</pubDate>
            <atom:updated>2023-12-25T17:26:07.293Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qnC8OfuH4DE91Wt_GwjVwg.png" /></figure><p>Büyük yapay zekâ modelleri, metin, görüntü ve ses oluşturma gibi görevlerde daha yetenekli hâle geliyor. Ancak, bu muazzam yeteneklere sahip modellerin eğitimi, büyük bir özen ve çaba gerektiriyor. Bu yazıda, üretken yapay zekâ model eğitim sürecini ve bu süreçte karşılaşılan zorlukları ele alacak ve transfer öğrenme ile fine-tuning gibi önemli faktörleri inceleyeceğiz.</p><h3>Büyük Modellerin Eğitim Süreci</h3><p>Büyük yapay zekâ modelleri, milyonlarca parametre içeren derin öğrenme ağlarıdır. Bu modeller, karmaşık ilişkileri ve desenleri öğrenme kapasiteleri sayesinde, metinlerden resimlere ve sese kadar birçok farklı görevde başarıyla kullanılıyor. Ancak bu başarı, büyük çapta veri toplama, modelin mimarisini belirleme ve uzun süreli eğitim gerektirir.</p><h3>Veri Kümesi Hazırlama</h3><p>Herhangi bir yapay zekâ modelinin eğitimi, iyi bir veri kümesi ile başlar. Veri, modelin öğrenme yeteneğini doğrudan etkiler. Veri kümesinin kalitesi ve temsilciliği, sonuçların başarısını büyük ölçüde etkiler. Örneğin, bir metin üretebilen bir yapay zekâ modeli eğitmek istiyorsanız, çeşitli konulardan, dil kullanım biçimlerinden ve yazı türlerinden örnekler içeren büyük bir metin veri kümesine ihtiyacınız vardır. Veri kümesinin eksik veya yanıltıcı olması, modelin performansını olumsuz etkileyebilir.</p><p>Veri kümesi hazırlama aşaması, verinin toplanması, temizlenmesi ve işlenmesini içerir. Verinin temizlenmesi, gereksiz karakterlerin, gürültülerin veya aykırı verilerin kaldırılmasını içerir. Ayrıca, veriyi modele verilebilecek uygun bir formata dönüştürmek de önemlidir. Örneğin, görüntü verileri, modele aynı çözünürlükte ve boyutta olacak şekilde yeniden boyutlandırılmalıdır.</p><h3>Eğitim Sürecinin Zorlukları</h3><p>Büyük yapay zekâ modellerinin eğitimi, bir dizi zorlukla karşılaşır:</p><ul><li><strong>Bilgi İhtiyacı: </strong>Büyük modeller, büyük miktarlarda veriye ihtiyaç duyarlar. Bu verileri toplamak ve saklamak maliyetli olabilir.</li><li><strong>Hesaplama Gücü:</strong> Büyük modellerin eğitimi, yüksek performanslı işlemciler ve grafik işlem birimleri gerektirir. Bu nedenle, bu tür bir eğitim, büyük bir hesaplama kaynağına ihtiyaç duyar.</li><li><strong>Aşırı Uyarlanma (Overfitting):</strong> Model, eğitim verilerini ezberleyebilir ve gerçek dünyadaki verilerle başa çıkmakta zorlanabilir. Bu aşırı uyarlanma sorunu, modelin daha fazla çeşitli veriyle eğitilmesiyle azaltılabilir.</li><li><strong>Eğitim Süresi:</strong> Büyük modellerin eğitimi haftalar sürebilir. Bu süre boyunca modelin sürekli olarak izlenmesi ve kontrol edilmesi gerekir.</li></ul><h3>Transfer Öğrenme ve Fine-Tuning</h3><p>Transfer öğrenme, önceden eğitilmiş bir modelin, yeni bir görevi öğrenmek için kullanılmasıdır. Önceden eğitilmiş modeller, genellikle büyük veri kümesi üzerinde eğitildiğinden, genel bir dil veya görsel anlayış geliştirmişlerdir. Bu nedenle, bu modelleri yeni bir görev için kullanmak, öğrenme süresini ve gereken veri miktarını azaltabilir.</p><p>Fine-tuning ise, önceden eğitilmiş bir modelin belirli bir görev için özelleştirilmesi anlamına gelir. Bu, modelin belirli bir veri kümesi üzerinde daha fazla eğitilmesi ve yeni göreve daha iyi uyarlanması anlamına gelir. Fine-tuning, transfer öğrenme ile birleştirildiğinde, yeni bir görev için hızlı ve etkili çözümler sunabilir.</p><p>Diyelim ki bir görüntü tanıma göreviniz var ve önceden eğitilmiş bir büyük görüntü tanıma modeliniz var. Bu model, milyonlarca görüntü üzerinde eğitildi ve genel bir nesne tanıma yeteneği geliştirdi. Ancak siz, özel bir görevde bu modeli kullanmak istiyorsunuz: kuş türlerini tanımak.</p><p>Transfer öğrenme burada devreye girer. Önceden eğitilmiş model, genel görüntü tanıma yeteneği sayesinde kuş resimlerini de tanıyabilir, ancak bu konuda spesifik bir eğitim almadı. İşte transfer öğrenme süreci şöyle işler:</p><ol><li>Önceden eğitilmiş görüntü tanıma modelinizi alırsınız. Bu model, genel nesne tanıma becerilerine sahiptir.</li><li>Kuşların farklı türlerini içeren özel bir veri setini bu modele eklersiniz. Bu veri kümesi, önceden eğitilmiş modele kuş türlerini tanımayı öğretmek için kullanılır.</li><li>Modeli, özel veri seti üzerinde daha fazla eğitim yapacak şekilde ince ayar yaparsınız. Bu, modelin kuş türlerini daha iyi tanımasını sağlar.</li></ol><p>Transfer öğrenme ve fine-tuning, yapay zekâ modellerinin farklı görevler için uyarlanmasını hızlandırmak ve optimize etmek için güçlü araçlardır. Bu sayede daha az efor ve veri kullanarak daha özelleştirilmiş ve etkili modeller elde edebilirsiniz.</p><p>Yapay zekâ geliştirirken, teknik zorlukların yanı sıra etik ve yasal sorumlulukları da göz önünde bulundurmak son derece önemlidir. Bu teknolojinin doğru, sorumlu ve etik bir şekilde kullanılması, yapay zekânın potansiyel risklerini azaltmada kritik bir rol oynamaktadır.</p><p>Bir <a href="https://medium.com/@akbulutburak/generative-ai-etik-sorunlar%C4%B1-b%C3%B6l%C3%BCm-6-0aa811a4ee08"><strong>sonraki yazımızda</strong></a>, Üretken Yapay Zekâ teknolojilerinin etik sorunlarını ve bu teknolojilerin kullanımının beraberinde getirdiği tartışma konularını ele alacağız.</p><p>Yakında görüşmek üzere :)</p><p><strong>Kaynaklar</strong></p><p>Ramesh, A., Dhariwal, P., Nichol, A., Chu, C., &amp; Chen, M. (2022). Hierarchical text-conditional image generation with clip latents. <em>arXiv preprint arXiv:2204.06125</em>, <em>1</em>(2), 3.</p><p>Jiang, Z., Xu, F. F., Araki, J., &amp; Neubig, G. (2020). How can we know what language models know?. <em>Transactions of the Association for Computational Linguistics</em>, <em>8</em>, 423–438.</p><p><a href="http://How to Train Generative AI Using Your Company’s Data">How to Train Generative AI Using Your Company’s Data</a> by Tom Davenport and Maryam Alavi</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=857c89deac26" width="1" height="1" alt=""><hr><p><a href="https://medium.com/kodluyoruz/%C3%BCretken-yapay-zek%C3%A2-e%C4%9Fitim-s%C3%BCreci-b%C3%B6l%C3%BCm-5-857c89deac26">Generative AI Eğitim Süreci ~ Bölüm 5</a> was originally published in <a href="https://medium.com/kodluyoruz">Kodluyoruz</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Generative AI ve Bilim: Bilimsel Keşfin Yeni Yolu mu? ~ Bölüm 4]]></title>
            <link>https://medium.com/kodluyoruz/%C3%BCretken-yapay-zek%C3%A2-ve-bilim-bilimsel-ke%C5%9Ffin-yeni-yolu-mu-b%C3%B6l%C3%BCm-4-bb566dc2d5e5?source=rss-9cc41ccdc976------2</link>
            <guid isPermaLink="false">https://medium.com/p/bb566dc2d5e5</guid>
            <category><![CDATA[akademi]]></category>
            <category><![CDATA[şeffaf-büyük-dil-modeli]]></category>
            <category><![CDATA[bilimsel-araştırma]]></category>
            <category><![CDATA[üretken-yapay-zeka]]></category>
            <dc:creator><![CDATA[Burak Akbulut]]></dc:creator>
            <pubDate>Tue, 10 Oct 2023 22:23:22 GMT</pubDate>
            <atom:updated>2023-10-12T15:17:09.725Z</atom:updated>
            <content:encoded><![CDATA[<p>ChatGPT makale yazdı!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*g_OeD9WcgpgtYuWV" /></figure><p>Bilimsel araştırmalar, insanların bilgiye erişim ve paylaşımını şekillendiren önemli bir unsur olmuştur. Ancak şimdi, yapay zekânın sahnede parladığı bir dönemde araştırmalara yeni bir boyut katmış gibi görünüyor. Özellikle Büyük Dil Modeller (LMM’ler) gibi yapay zekâ araçları, araştırmacıların metin oluşturmayı ve veri analizi yapmayı saniyeler içinde gerçekleştirebilmelerine olanak tanıyarak bilimsel çalışma yöntemlerini mi değiştiriyor?</p><h3>Bilimsel Araştırmalarda Üretken Yapay Zekâ (Generative AI) Kullanımı</h3><p>Üretken Yapay Zekâ, akademik alana önemli katkılar sağlayabilir. Başlangıçta, bu teknoloji araştırmacılara hızlı ve verimli bir şekilde yardımcı olabilir, çünkü metin üretimi ve veri analizi gibi görevleri anında gerçekleştirebilir.</p><p>İkincisi, Büyük Dil Modeller (LMM’ler), geniş bir bilgi yelpazesiyle çalışabilme yeteneği sayesinde literatür incelemelerini hızlandırabilir ve araştırmacılara daha kapsamlı bir bakış açısı sunabilir. Ancak bu durum, araştırmacıların literatürü tararken gerekli olan becerileri azaltabilir. (Eva A. M. van Dis, Johan Bollen, Willem Zuidema, Robert van Rooij &amp; Claudi L. Bockting, 2023)</p><p>Günümüzde birçok araştırmacı, istatistiksel analizlerini manuel olarak yapmak yerine SPSS, Python veya R gibi araçları kullanarak gerçekleştiriyor. Bu, istatistiksel analiz araçlarını daha etkili bir şekilde kullanma yeteneklerini de beraberinde getiriyor. İlerleyen zamanlarda, daha etkili bir literatür taraması yapabilmek için prompt mühendisliği becerisi de önemli hale gelebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Za1-5kJD_csMf64A" /></figure><p>Üçüncü olarak, yapay zeka, belirli veri trendlerini ve desenlerini tanımlama konusunda insanları destekleyebilir ve bu da araştırmalarda daha derinlemesine analizlere olanak tanır.</p><h3>Potansiyel Riskler</h3><p>Üretken Yapay Zekâ’ların bilimsel çalışmalarda kullanımı, etik ve intihal sorunları da dahil olmak üzere bazı potansiyel riskler taşır. Bu riskler şunları içerir:</p><p><strong>Doğruluk ve Güvenilirlik:</strong> Üretken yapay zeka, yanlış veya yanıltıcı bilgiler üretebilir. Bu nedenle, araştırmacılar tarafından üretilen metinlerin doğruluğu önemlidir. Araştırmacılar, ÜYZ tarafından üretilen metinlerin verilerini ve sonuçlarını titizlikle incelemeli ve gerektiğinde düzeltmelidir.</p><p><strong>İntihal ve Alıntılar:</strong> Üretken yapay zeka tarafından üretilen metinler, kaynakları uygun şekilde alıntı yapmadan içerebilir. Araştırmacılar, bu metinleri dikkatle gözden geçirerek alıntıların kontrolünü sağlamalıdır.</p><p><strong>​​Bilgi Sahipliği ve Adil Kullanım: </strong>Üretken yapay zeka tarafından üretilen metinlerin sahipliği kimin olmalıdır? Bu metinlerin yazarlık hakları hakkında net kurallar ve politikalar oluşturulmalıdır. Özellikle bir metin, bir araştırmacının orijinal çalışmasından esinlenerek üretilmişse veya bir araştırmacı tarafından düzenlenmişse, kimin yazar olarak kabul edilmesi gerektiği sorusu karmaşık hale gelebilir.</p><h3>Şeffaf Büyük Dil Modelleri: Bilgi ve İzlenebilirlik</h3><p>Şeffaflık, bilimsel araştırmalarda ve bilgi üretiminde temel bir prensiptir. Şeffaf olmak, başkalarının çalışmalarınızı incelemesini, doğrulamasını ve anlamasını sağlar. Ancak yapay zeka, özellikle Büyük Dil Modelleri gibi karmaşık sistemlerin çalışma mantığını anlamak ve izlemek zor olabilir.</p><p>Şeffaf Büyük Dil Modelleri, bu soruna bir çözüm sunar. Bu modeller, iç işleyişlerini ve eğitildikleri kaynakları daha açık bir şekilde sunar. Bu, araştırmacıların metinlerin kaynaklarını izlemelerine ve doğru atıflar yapmalarına yardımcı olur. Örneğin, bir şeffaf BDM modeli, bir metinin hangi verilere veya kaynaklara dayandığını ayrıntılı bir şekilde açıklayabilir.</p><p>Şeffaf BDM modelleri, bilimsel araştırmalarda güvenirliği artırmanın yanı sıra, aynı zamanda bilim dünyasındaki işbirliğini teşvik edebilir. Araştırmacılar, bu modelleri kullanarak diğer çalışmaları daha iyi anlayabilir, yeni hipotezler geliştirebilir ve bilimsel bilgiyi daha hızlı genişletebilirler.</p><h3>Dengeli Bir Yaklaşım</h3><p>ChatGPT gibi bir yapay zekâ modeli şu anda ücretsiz olarak kullanılabilir. Ancak, bu modelin sadece dil düzeltme amaçlarıyla kullanılması gerektiğini vurgulamak önemlidir. Bilimsel makalelerin temel amacı, kanıtlarla desteklenen yeni bilgileri iletmektir. (Seong-Gon Kim, 2023)</p><p>Bu dengeli yaklaşım, bilimsel araştırmaların kalitesini artırabilir ve aynı zamanda yeni bilgi üretimini hızlandırabilir. Teknolojiyi etkili bir şekilde kullanmak, bilimsel topluluğun daha büyük hedeflere ulaşmasına yardımcı olabilir.</p><p>Bir <a href="https://medium.com/@akbulutburak/%C3%BCretken-yapay-zek%C3%A2-e%C4%9Fitim-s%C3%BCreci-b%C3%B6l%C3%BCm-5-857c89deac26"><strong>sonraki yazımda</strong></a>, yapay zekânın eğitim sürecinden ve modelin geliştirilmesinde kullanılan veri kümesi hazırlama, eğitim sürecinin zorlukları, transfer öğrenme ve fine-tuning gibi konulardan bahsedeceğim.</p><p>Görüşmek üzere!</p><p><strong>Kaynaklar</strong></p><p>Kim, S. G. (2023). Using ChatGPT for language editing in scientific articles. <em>Maxillofacial Plastic and Reconstructive Surgery</em>, <em>45</em>(1), 13.</p><p>Van Dis, E. A., Bollen, J., Zuidema, W., van Rooij, R., &amp; Bockting, C. L. (2023). ChatGPT: five priorities for research. <em>Nature</em>, <em>614</em>(7947), 224–226.</p><p>Hill-Yardin, E. L., Hutchinson, M. R., Laycock, R., &amp; Spencer, S. J. (2023). A Chat (GPT) about the future of scientific publishing. <em>Brain Behav Immun</em>, <em>110</em>, 152–154.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bb566dc2d5e5" width="1" height="1" alt=""><hr><p><a href="https://medium.com/kodluyoruz/%C3%BCretken-yapay-zek%C3%A2-ve-bilim-bilimsel-ke%C5%9Ffin-yeni-yolu-mu-b%C3%B6l%C3%BCm-4-bb566dc2d5e5">Generative AI ve Bilim: Bilimsel Keşfin Yeni Yolu mu? ~ Bölüm 4</a> was originally published in <a href="https://medium.com/kodluyoruz">Kodluyoruz</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Generative AI ile Geleceğin Sanatına Yolculuk ~ Bölüm 3]]></title>
            <link>https://medium.com/kodluyoruz/%C3%BCretken-yapay-zek%C3%A2-ile-gelece%C4%9Fin-sanat%C4%B1na-yolculuk-b%C3%B6l%C3%BCm-3-b25d82807615?source=rss-9cc41ccdc976------2</link>
            <guid isPermaLink="false">https://medium.com/p/b25d82807615</guid>
            <category><![CDATA[midjourney]]></category>
            <category><![CDATA[gpt]]></category>
            <category><![CDATA[üretken-yapay-zeka]]></category>
            <category><![CDATA[dalle-3]]></category>
            <category><![CDATA[yapay-zeka-ile-sanat]]></category>
            <dc:creator><![CDATA[Burak Akbulut]]></dc:creator>
            <pubDate>Tue, 10 Oct 2023 22:18:10 GMT</pubDate>
            <atom:updated>2023-10-12T15:16:22.789Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/769/0*iqXrmIgdj4kdsaqc" /></figure><p>Tarih boyunca Sanat ve Teknoloji paralel olarak gelişmiştir.Teknoloji sayesinde sanatçılar yeni araçlar ve teknikler geliştirerek sanat eserlerinin ifade biçimlerini genişletmişlerdir. Sanat, teknolojinin yeniliklerinden ilham alarak ve onu kendi ifade biçimlerine dahil ederek teknolojinin gelişimini de etkilemiştir. Bu etkileşimin en son örneği, Üretken Yapay Zekâ’nın sanat alanındaki kullanımıdır. Üretken Yapay Zekâ, yeni içerikler oluşturabilen yapay zekâ modelleridir.</p><p>Bu yazıda, sanat ve üretken yapay zekâ arasındaki benzersiz buluşmasını ve etkilerini inceleyeceğiz.</p><h3>Sanat Üretimi için Üretken Yapay Zekâ (Generative AI) Kullanımı</h3><p>Üretken Yapay Zekâ algoritmalarını kullanarak resimler, şiirler veya hikayeler gibi sanat eserleri çıkarabiliyor. Örneğin, bir sanat tablosu üretimi yapan yapay zekâ modeli, belirli bir stil veya tema çerçevesinde resimler oluşturabilir. Benzer şekilde, bir metin üretimi yapan yapay zekâ modeli, şiirler veya hikayeler yazabilir. Bu, sanatçılara ve yaratıcılara yeni bir ifade biçimi sunar.</p><p>Peki bu yapay zeka modelleri nasıl çalışıyor?</p><h3>Generative Adversarial Networks (GANs) nedir?</h3><p>Resim yarışmasına katılan iki arkadaş düşünelim. İlk arkadaşı “Üretken” olarak adlandıralım, sürekli yeni resimler yapmaya çalışır. Diğer arkadaş ise “Eleştiren”dir, bu arkadaş ise üretilen resimleri inceleyerek ne kadar gerçekçi olduğunu kontrol eder. İşte burada oyun başlıyor!</p><p>Üreten arkadaş, bir resim çizmeye başlıyor ve bu resmi Eleştiren arkadaşa gösteriyor. Eleştiren arkadaş, resmi inceliyor ve ne kadar gerçekçi olduğunu kontrol ediyor. Eğer resim çok gerçekçi değilse, Eleştiren arkadaş Üreten arkadaşı geliştirmesi için yönlendiriyor. Üreten arkadaş, bu geri bildirimleri kullanarak daha iyi resimler çizmeye çalışıyor.</p><p>Oyun devam ediyor ve her seferinde Üreten arkadaş daha iyi ve daha gerçekçi resimler yapmaya çalışıyor. Eleştiren arkadaş da her seferinde daha dikkatli bir şekilde kontrol ediyor ve geri bildirimler veriyor. Bu sürekli rekabet, daha gerçekçi ve daha yaratıcı resimlerin ortaya çıkmasına yardımcı oluyor.</p><p>İşte GANs bu şekilde çalışıyor, ancak bilgisayarlar aracılığıyla. Üreten taraf bir yapay zekâ modelini temsil eder ve Eleştiren taraf da başka bir yapay zekâ modelini temsil eder. Bu iki model birlikte çalışarak resimler, müzikler veya hikayeler gibi şeyler üretebilirler.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*0ELeBh56pjfe1y1u" /></figure><h3>Yapay zekâ ile resim, müzik ve şiir üretimi</h3><h4>Midjourney</h4><p>Gerçekçi ve yaratıcı görüntüler oluşturmak için GAN’leri kullanan bir yapay zekâ uygulamasıdır. Bu uygulama, kullanıcıların metin açıklamaları kullanarak görüntüler oluşturmasına olanak tanır.</p><p>Midjourney’e şu anda yalnızca resmi Discord sunucusu üzerinden erişilebilir. Görüntü oluşturmak için kullanıcılar “/imagine” komutunu kullanır ve bir komut istemi yazar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/0*iV2SLvIJT-pLDC-Z" /></figure><p>Bot, kullanıcının komut istemi doğrultusunda dört görüntüden oluşan bir set döndürür. Kullanıcı daha sonra bu görüntülerden beğendiklerini seçerek bunları yükseltebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/0*JQyvVPQEMJYYYu3T" /></figure><p>Midjourney ile daha efektif görüntüler oluşturmak isterseniz <a href="https://docs.midjourney.com/docs/quick-start">buradaki</a> öğreticiden yararlanabilirsiniz.</p><h4>DALL-E</h4><p>OpenAI tarafından geliştirilen ve 5 Ocak 2021&#39;de piyasaya sürülen bir yapay zekâ programıdır. İsmi, ünlü ressam <a href="https://tr.wikipedia.org/wiki/Salvador_Dal%C3%AD">Salvador Dali</a> ve animasyon karakteri <a href="https://www.pixar.com/feature-films/walle">WALL-E</a>’den esinlenilerek oluşturulmuştur. DALL-E, metinsel tanımlamalardan görüntü oluşturabilen oldukça etkileyici bir yapay zekâ modeli.</p><p>Bu program, GPT-3 modelinin özel bir sürümünü kullanır ve bu sürüm tamı tamına 12 milyar parametreye sahiptir. Temel işlevi, doğal dil girdilerini anlamak ve bu girdilere uygun görüntüleri oluşturmaktır. Örneğin, <em>“Hasat ayının yumuşak ışığıyla benekli rustik bir orman ortamında, her biri geleneksel bluegrass enstrümanları çalan, antropomorfik sonbahar yapraklarından oluşan bir halk müziği grubunun 2 boyutlu animasyonu”</em> gibi açıklayıcı ifade girerek DALL-E’ye istediğimizi görüntüyü oluşturabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*mf3yT2J2OSeMrBWP" /></figure><p>OpenAI’ın CEO’su Sam Altman’ın DALL-E 3 <a href="https://x.com/sama/status/1704561613070893428?s=20">paylaşımı</a> :) DALL-E 3 daha neler yapacağız.</p><h4>ChatGPT</h4><p>OpenAI tarafından geliştirilen bir prototip yapay zekâ sohbet robotudur. Bu sohbet botu, diyalog konularında uzmanlaşmış ve kullanıcıların sorularına anlamlı ve ayrıntılı yanıtlar sunabilen büyük bir dil modeliyle çalışır. ChatGPT, hem denetimli hem de takviyeli öğrenme teknikleri kullanılarak eğitilmiştir ve temel model olarak OpenAI’nin GPT-3.5 dil modelini kullanır.</p><p>ChatGPT, ilk olarak 30 Kasım 2022&#39;de bir prototip olarak piyasaya sürüldü ve kısa sürede geniş ilgi gördü. Bu yapay zekâ modeli, birçok farklı bilgi alanında soruları yanıtlayabilir ve kullanıcıların karmaşık konuları anlamalarına yardımcı olabilir. Örneğin, yeni şiirler, hikayeler veya diğer yazılı içerikler oluşturmak için kullanılabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*8ijhRYKNf8fRok48" /></figure><h4>Bard</h4><p>Google AI tarafından geliştirilen bir büyük dil modelidir. Metin ve koddan oluşan büyük bir veri kümesi üzerinde eğitilmiştir ve metin üretebilir, dilleri çevirebilir, farklı türde yaratıcı içerikler yazabilir ve sorularınızı bilgilendirici bir şekilde cevaplayabilir.</p><p>Bard, henüz geliştirme aşamasındadır, ancak birçok görevi yerine getirmeyi öğrenmiştir. Örneğin:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*i6w2Dqtur9JUFHjb" /></figure><h3>Sanatçılar için yapay zekâ kullanmanın avantajları ve zorlukları</h3><p>Yapay zeka (YZ), sanat alanında yeni bir dönemin başlangıcını işaret ediyor. YZ, sanatçılara yeni yaratıcı araçlar ve teknikler sunuyor.</p><p>YZ kullanmanın sanatçılar için bazı avantajları şunlardır:</p><ul><li><strong>Yeni yaratıcı araçlar ve teknikler:</strong> YZ, sanatçılara yeni yaratıcı araçlar ve teknikler sunuyor. Örneğin, YZ, sanatçıların daha karmaşık ve gerçekçi sanat eserleri oluşturmasına, yeni sanat formları geliştirmesine ve sanatın daha geniş kitlelere ulaşmasına yardımcı oluyor.</li><li><strong>Daha fazla verimlilik ve üretkenlik: </strong>Yapay zeka, sanat üretimini hızlandırabilir. Bir yapay zeka modeli, hızlı bir şekilde büyük veri kümelerini analiz edebilir ve sonuçlarını sanat eserlerine dönüştürebilir.</li></ul><p>Yapay zekâ, sanat alanında devrim yaratacak bir potansiyele sahip olsa da, beraberinde bazı etik ve telif hakları sorunlarını da gündeme getirmektedir. Bu sorunların çözümü için aşağıdaki faktörler dikkate alınmalıdır:</p><ul><li><strong>Yapay zekâ tarafından oluşturulan eserlerin telif hakları:</strong> Yapay zeka tarafından oluşturulan eserlerin telif hakları ve satışı, henüz net bir şekilde belirlenmiş değildir. Yapay zekâ tarafından oluşturulan eserlerin telif hakkı kime ait olacaktır? Yapay zekâ tarafından üretilen eserler, sanat eseri olarak kabul edilecek midir?</li><li><strong>Etik sorunlar: </strong>YZ modelleri, eğitim verilerindeki önyargılardan etkilenebilir ve bu da ayrımcılığa yol açabilir. Cinsiyet, ırk veya diğer demografik faktörlere dayalı ayrımcı sonuçlar üretebilen YZ sistemleri, toplumsal adalet ve eşitlik konularında ciddi sorunlara neden olabilir.</li></ul><p>Toplum olarak yapay zekâ hakkında farkındalıklarını artırmak ve eğitilmek, bu teknolojinin etik, sanatsal ve toplumsal etkilerini anlamamızı sağlar. Ayrıca, yapay zekâ konusunda bilinçli olmamız, bu teknolojinin günlük yaşamımıza nasıl etki edebileceğini anlamamıza yardımcı olur.</p><p>Bir <a href="https://medium.com/@akbulutburak/%C3%BCretken-yapay-zek%C3%A2-ve-bilim-bilimsel-ke%C5%9Ffin-yeni-yolu-mu-b%C3%B6l%C3%BCm-4-bb566dc2d5e5"><strong>sonraki yazımda</strong></a>, yapay zekânın bilim dünyasında nasıl bir rol oynayabileceğini ve bu alandaki en son gelişmeleri inceleyeceğiz.</p><p>Görüşmek üzere!</p><p><strong>Kaynaklar</strong></p><p>Gozalo-Brizuela, R., &amp; Garrido-Merchan, E. C. (2023). ChatGPT is not all you need. A State of the Art Review of large Generative AI models. <em>arXiv preprint arXiv:2301.04655</em>.</p><p>Vartiainen, H., &amp; Tedre, M. (2023). Using artificial intelligence in craft education: crafting with text-to-image generative models. <em>Digital Creativity</em>, <em>34</em>(1), 1–21.</p><p>Oppenlaender, J. (2022, November). The creativity of text-to-image generation. In <em>Proceedings of the 25th International Academic Mindtrek Conference</em> (pp. 192–202).</p><p>Wang, L., Chen, W., Yang, W., Bi, F., &amp; Yu, F. R. (2020). A state-of-the-art review on image synthesis with generative adversarial networks. <em>IEEE Access</em>, <em>8</em>, 63514–63537.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b25d82807615" width="1" height="1" alt=""><hr><p><a href="https://medium.com/kodluyoruz/%C3%BCretken-yapay-zek%C3%A2-ile-gelece%C4%9Fin-sanat%C4%B1na-yolculuk-b%C3%B6l%C3%BCm-3-b25d82807615">Generative AI ile Geleceğin Sanatına Yolculuk ~ Bölüm 3</a> was originally published in <a href="https://medium.com/kodluyoruz">Kodluyoruz</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Büyük Dil Modelleri: Dilin Evrimi ve Yapay Zekâ ~ Bölüm 2]]></title>
            <link>https://medium.com/kodluyoruz/b%C3%BCy%C3%BCk-dil-modelleri-dilin-evrimi-ve-yapay-zek%C3%A2-b%C3%B6l%C3%BCm-2-458ddea54f09?source=rss-9cc41ccdc976------2</link>
            <guid isPermaLink="false">https://medium.com/p/458ddea54f09</guid>
            <category><![CDATA[gpt-3]]></category>
            <category><![CDATA[doğal-dil-işleme]]></category>
            <category><![CDATA[üretken-yapay-zeka]]></category>
            <category><![CDATA[büyük-dil-modelleri]]></category>
            <dc:creator><![CDATA[Burak Akbulut]]></dc:creator>
            <pubDate>Tue, 10 Oct 2023 22:15:06 GMT</pubDate>
            <atom:updated>2023-10-12T14:56:55.722Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HpM7F_iHoYDE7lK-fTJNjw.png" /></figure><p>Yapay zekâ dünyası, son yıllarda büyük bir devrim yaşadı ve bu devrimin en dikkat çekici öğelerinden biri de Büyük Dil Modelleri oldu. Bu yazıda, Büyük Dil Modelleri’nin ortaya çıkışı, temel özellikleri, eğitimi, öğrenme süreci ve tartışmalı yönleri gibi önemli konuları ele alacağım. Ayrıca, bu teknolojinin yapay zekâ dünyasına etkisini ve gelecekteki potansiyelini inceleyeceğiz.</p><h3>Büyük Dil Modellerinin (Large Language Models) Ortaya Çıkışı</h3><p>Büyük Dil Modelleri (Large Language Models), yapay zekâ alanındaki büyük ilerlemelerle birlikte ortaya çıktı. Gelişen derin öğrenme teknikleri, büyük veri setleri ve güçlü hesaplama kaynakları, dil anlama ve üretme yeteneklerini artırmak için kullanıldı. Bu modeller, doğal dil işleme (NLP) alanında büyük bir çıkış yaparak metin tabanlı görevlerde inanılmaz başarılar elde etti.</p><p>Büyük Dil Modellerinin (BDM) temel özelliği, büyük bir metin verisi setini eğitim verisi olarak kullanmalarıdır. Bu veri setleri, internetten toplanan milyonlarca metin belgesini içerebilir ve bu da modelin dil hakkında derin bir anlayış geliştirmesine yardımcı olur.</p><h3>GPT-3&#39;ün Temel Özellikleri</h3><p>Büyük Dil Modelleri arasında öne çıkan bir model, OpenAI tarafından geliştirilen GPT-3&#39;dür (Generative Pre-trained Transformer 3). GPT-3, 175 milyar <strong>parametreye</strong> sahip devasa bir dil modelidir. İşte GPT-3&#39;ün bazı temel özellikleri:</p><h4>Dil Üretme Yeteneği:</h4><p>GPT-3, metin tabanlı verilere dayalı olarak yaratıcı metinler, hikayeler, makaleler ve daha fazlasını üretebilir.</p><h4>Doğal Dil Anlama:</h4><p>Model, insan dilini anlama ve dilin inceliklerini kavrama yeteneğine sahiptir.</p><h4>Çoklu Dilleri Kavrama:</h4><p>GPT-3, birçok farklı dilde metin işleyebilme yeteneğine sahiptir, bu da küresel bir kullanım sağlar.</p><h4>Çeşitli Uygulamalar:</h4><p>GPT-3, metin tabanlı soru-cevap sistemleri, metin üretme uygulamaları, dil çevirisi ve daha birçok alanda kullanılabilir.</p><p>BDM’lerdeki parametreler, modelin öğrenmesini sağlayan değişkenlerdir. Her parametre, modelin öğrenmesi gereken bir özelliği temsil eder. Örneğin, bir BDM’nin parametreleri, bir kelimenin bir başka kelime ile ne kadar ilişkili olduğunu veya bir cümlenin ne kadar doğru olduğunu temsil edebilir.</p><p>BDM’lerin parametre sayısı, modelin boyutunu belirler. Daha fazla parametreye sahip bir model, daha karmaşık ilişkileri öğrenebilir ve bu nedenle daha iyi performans gösterebilir. Aşağıdaki görselde BDM’lerin parametre sayısını görebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*eH0t3D9lclaxoRbR" /><figcaption><a href="https://lifearchitect.ai/models/#model-bubbles"><em>https://lifearchitect.ai/models/#model-bubbles</em></a></figcaption></figure><h3>GPT-3&#39;ün Eğitimi ve Öğrenme Süreci</h3><p>GPT-3 gibi büyük dil modellerini bir bilgisayar programı gibi düşünebiliriz. Ancak bu program, dil hakkında çok fazla şey öğrenmeye yeteneklidir. Şimdi, bu programın nasıl öğrendiğini anlayalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*tzG8KcbYtPOLPgch" /></figure><ol><li><strong>Özel Bir Okul: </strong>Bu program, büyük bir okul gibi düşünün. Ancak bu okulda sadece metinler var. Öğretmenler, bu metinleri bilgisayara öğretiyorlar.</li><li><strong>Metin Dersleri:</strong> Her gün öğrencilere yeni metinler gösteriliyor. Bu metinler, internetten veya kitaplardan alınıyor. Öğrenciler, bu metinleri okuyarak dilin kurallarını ve kelime dağarcığını öğreniyorlar.</li><li><strong>Çalışkanlık:</strong> GPT-3 gibi bir öğrenci, çok çalışkan bir öğrenci gibidir. Her gün binlerce hatta milyonlarca metin okuyabilir. Bu sayede dildeki desenleri ve bağlantıları hızla anlamaya başlar.</li><li><strong>Soruları Cevaplama: </strong>Öğrencilere zaman zaman sorular sorulur. Örneğin, “Bir kuşun ne yapması gerekir?” gibi sorular. Öğrenciler, öğrendikleri bilgilere dayanarak bu soruları cevaplarlar.</li><li><strong>Özel Donanım ve Bilgisayar Gücü:</strong> Şimdi burası biraz teknik olabilir. Bu öğrenci, özel bir bilgisayarda çalışır ve çok hızlı düşünebilir. Normal bir bilgisayar gibi değil, süper hızlı bir bilgisayar gibidir.</li><li><strong>Sonsuz Öğrenme:</strong> Bu öğrenci asla tatil yapmaz. Sürekli olarak yeni şeyler öğrenir. Her gün yeni metinlerle beslenir ve bu sayede daha da akıllı hale gelir.</li></ol><p>Özetle, GPT-3 gibi büyük dil modellerinin eğitimi, sürekli olarak güncellenen büyük veri setleri üzerinde gerçekleşir. Model, bu verilere maruz kaldıkça ve milyonlarca metni işledikçe, dildeki desenleri ve bağlantıları öğrenir. Eğitim süreci, özel donanım ve yüksek hesaplama gücü gerektiren yoğun bir işlemdir.</p><h3>GPT-3 Benzeri Modellerin İncelemesi</h3><p>GPT-3, büyük dil modelleri dünyasında sadece bir örnektir. Birçok başka model de benzer yeteneklere sahiptir. Örneğin, BERT, T5 ve XLNet gibi modeller, belirli metin tabanlı görevlerde başarılı sonuçlar elde etmek için kullanılır. Bu modeller, farklı eğitim verileri ve mimariler kullanarak dil anlama ve üretme konularında farklı yaklaşımlar sunarlar.</p><h3>Dil Modellerinin Eğitimi ve Ölçeklenebilirlik</h3><p>Büyük Dil Modelleri, eğitim süreçlerinde büyük ölçekli hesaplama kaynaklarına ihtiyaç duyarlar. Bu nedenle, bu modelleri eğitmek ve sürdürmek, önemli bir maliyeti ve kaynak gereksinimini içerir. Örneğin, 10 milyar parametreli bir BDM’yi eğitmek, 100 ila 1.000 GPU’ya ihtiyaç duyabilir. Bu, eğitim sürecinin çok maliyetli ve kaynak yoğun olabileceği anlamına gelir. Ölçeklenebilirlik, bu modellerin daha geniş bir kullanıcı kitlesi tarafından erişilebilir olmasını sağlama açısından önemlidir.</p><p>BDM’lerin ölçeklenebilirliğini artırmak için kullanılan bazı teknikler şunlardır:</p><ul><li><strong>Parametre sayısını azaltmak:</strong> Bu, modelin daha az hesaplama kaynağı gerektirmesini sağlayabilir.</li><li><strong>Veri kümesi boyutunu azaltmak:</strong> Bu, modelin daha hızlı eğitilmesini sağlayabilir.</li><li><strong>Eğitim sürecini paralelleştirme:</strong> Bu, birden fazla GPU’yu kullanarak eğitim süresini azaltabilir.</li><li><strong>Eğitim sürecini dağıtmak:</strong> Bu, birden fazla bulut sunucusunda eğitim yaparak eğitim süresini ve maliyetini azaltabilir.</li></ul><h3>Büyük Dil Modellerinin Tartışılan Yönleri</h3><p>Büyük Dil Modelleri, büyük bir potansiyele sahip olmalarının yanı sıra tartışmalı yönleri de içerir. İşte bu tartışmalı konulardan bazıları:</p><h4>Veri Gizliliği ve Güvenlik:</h4><p>Bu modeller, kullanıcıların kişisel verilerini işleyebilir ve bu da gizlilik ve güvenlik endişelerine yol açabilir.</p><h4>Zorluklar ve Yanıltıcı Sonuçlar:</h4><p>Modeller, yanıltıcı veya yanlış bilgilere yol açabilen metinler üretebilir. Bu, güvenilirliği tehlikeye atabilir.</p><h4>Dil ve Toplum Etkisi:</h4><p>Büyük Dil Modelleri, dilin evrimine ve kültürel etkilere katkıda bulunabilir. Bu da dil ve toplum üzerindeki etkilerini incelemeyi gerektirir.</p><h3>Yapay Zekâ ile Karar Verme</h3><p>Büyük Dil Modelleri gibi yapay zekâ teknolojileri, etkili bir şekilde kullanılabilirken dikkat gerektirir. Karar verirken, veri gizliliği, güvenlik ve etik konuları dikkate alınmalıdır. Ayrıca, bu teknolojilerin insanlar ve toplumlar üzerindeki potansiyel etkileri göz önünde bulundurulmalıdır.</p><p>Büyük dil modelleri, dil işleme ve anlama alanında büyük bir atılımı temsil ediyor. Ancak, bu teknolojinin kullanımı dikkatli bir şekilde denetlenmeli ve incelenmelidir. Yapay zekâ ile ilgili kararlar verilirken, teknolojinin etik ve toplumsal etkileri göz önünde bulundurulmalıdır. Bu sayede yapay zekâ, insanlığın faydasına kullanılabilir ve olumsuz sonuçlardan kaçınılabilir.</p><p>Bir sonraki blog yazısında, sanatın ve yapay zekânın buluştuğu ilginç bir konuyu ele alacağız: “Sanat ve Üretken Yapay Zekâ’nın Buluşması.” Bu yazıda, yapay zekânın sanat üretiminde nasıl kullanıldığını ve dünya çapında ünlü Üretken Yapay Zekâ modellerinin sanat eserlerini inceleyeceğiz. Ayrıca sanatın ve teknolojinin ilişkisini derinlemesine inceleyerek, bu alandaki yenilikçi gelişmelere odaklanacağız.</p><p>Sanat ve teknolojiye ilgi duyan okuyucular için bu yazı, yapay zeka ile sanatın birleşimini keşfetmek için heyecan verici olacak 🤖 🎨</p><p>Bir <a href="https://medium.com/@akbulutburak/%C3%BCretken-yapay-zek%C3%A2-ile-gelece%C4%9Fin-sanat%C4%B1na-yolculuk-b%C3%B6l%C3%BCm-3-b25d82807615"><strong>sonraki yazıda</strong></a> görüşmek üzere!</p><p><strong>Kaynaklar</strong></p><p>Zhao, W. X., Zhou, K., Li, J., Tang, T., Wang, X., Hou, Y., … &amp; Wen, J. R. (2023). A survey of large language models. <em>arXiv preprint arXiv:2303.18223</em>.</p><p>Chowdhery, A., Narang, S., Devlin, J., Bosma, M., Mishra, G., Roberts, A., … &amp; Fiedel, N. (2022). Palm: Scaling language modeling with pathways. <em>arXiv preprint arXiv:2204.02311</em>.</p><p>Chung, H. W., Hou, L., Longpre, S., Zoph, B., Tay, Y., Fedus, W., … &amp; Wei, J. (2022). Scaling instruction-finetuned language models. <em>arXiv preprint arXiv:2210.11416</em>.</p><p>Google Research, 2022 &amp; beyond: Language, vision and generative models</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=458ddea54f09" width="1" height="1" alt=""><hr><p><a href="https://medium.com/kodluyoruz/b%C3%BCy%C3%BCk-dil-modelleri-dilin-evrimi-ve-yapay-zek%C3%A2-b%C3%B6l%C3%BCm-2-458ddea54f09">Büyük Dil Modelleri: Dilin Evrimi ve Yapay Zekâ ~ Bölüm 2</a> was originally published in <a href="https://medium.com/kodluyoruz">Kodluyoruz</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Generative AI: Yapay Zekâ Dünyasının Yaratıcı Gücü ~ Bölüm 1]]></title>
            <link>https://medium.com/kodluyoruz/%C3%BCretken-yapay-zek%C3%A2-yapay-zek%C3%A2-d%C3%BCnyas%C4%B1n%C4%B1n-yarat%C4%B1c%C4%B1-g%C3%BCc%C3%BC-b%C3%B6l%C3%BCm-1-a7fc1ad65dd6?source=rss-9cc41ccdc976------2</link>
            <guid isPermaLink="false">https://medium.com/p/a7fc1ad65dd6</guid>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[büyük-dil-modelleri]]></category>
            <category><![CDATA[üretken-yapay-zeka]]></category>
            <category><![CDATA[gpt-3]]></category>
            <dc:creator><![CDATA[Burak Akbulut]]></dc:creator>
            <pubDate>Tue, 10 Oct 2023 19:31:23 GMT</pubDate>
            <atom:updated>2023-10-12T19:05:23.427Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*XnMwJhDpwK9syvqO" /></figure><p>Günümüzde teknoloji dünyasında parlayan bir yıldız var: Generative AI. Adını sıkça duyuyoruz, ancak ne olduğunu tam olarak biliyor muyuz?</p><p>Yapay zekâ, son yıllarda hızla gelişen bir teknoloji alanıdır ve içinde pek çok alt alan barındırır. Bu alt alanlardan biri olan Generative Artificial Intelligence (<strong>Üretken Yapay Zekâ), </strong>son dönemin en ilgi çekici konularından biridir.</p><p>Bu yazıda, Üretken Yapay Zekâ’nın temel ilkeleri, tarihçesi ve diğer yapay zekâ türleri ile olan farkları hakkında bir giriş sunacağım.</p><h3>Üretken Yapay Zekâ (Generative AI) Nedir?</h3><p>Üretken Yapay Zekâ, adından da anlaşılacağı gibi, yeni içerikler oluşturabilen yapay zekâ modellerini ifade eder. Bu modeller, metin, resim, müzik ve daha birçok şey gibi farklı türlerde içerikleri oluşturabilirler. Özellikle Doğal Dil İşleme (Natural Language Processing) ve Görüntü İşleme (Image Processing) alanlarında büyük başarılar elde etmişlerdir.</p><p>Üretken Yapay Zekâ modelleri, büyük miktarlarda veri kullanarak eğitilirler ve ardından bu verileri analiz ederek yeni içerikler üretebilirler. Örneğin, metin üretebilen bir Üretken Yapay Zekâ modeli, verilen bir başlık veya konu hakkında otomatik olarak bir makale yazabilir.</p><h3>Üretken Yapay Zekâ’nın Temelleri</h3><p>Üretken Yapay Zekâ’nın temelinde<strong> derin öğrenme (deep learning)</strong> teknikleri yatar. Bu teknikler, <strong>sinir ağları (neural network)</strong> kullanarak karmaşık ilişkileri öğrenmeyi ve veriler arasında desenleri keşfetmeyi amaçlar. Üretken Yapay Zekâ modelleri, bu derin öğrenme tekniklerini kullanarak veri üretme yeteneği kazanırlar.</p><p>Bir Üretken Yapay Zekâ modeli genellikle iki bileşenden oluşur: bir <strong>encoder (kodlayıcı)</strong> ve bir <strong>decoder (çözücü)</strong>. Encoder, veriyi temsil eden bir vektörü oluştururken, decoder bu vektörü alır ve yeni içerik üretmek için kullanır.</p><p>Bu terimler biraz kafa karıştırıcı olabilir. Bence daha basit bir şekilde açıklayayım.</p><p>Üretken Yapay Zekâ aslında bilgisayarların nasıl öğrendiğini ve yeni şeyler yarattığını öğrenmekle ilgili bir şey. Bilgisayarlar, insan beyninin bilgi işleme tekniğinden esinlenerek geliştirilmiş modellere sahip, bu modellere de yapay sinir ağları diyoruz. Yapay Sinir Ağları, bilgisayarın eğitim yoluyla öğrendikleri hakkında yeni üretimler yapmasına yardımcı oluyor.</p><p>Yapay sinir ağlarını kullanarak, bilgisayarlar karmaşık verileri anlayabiliyorlar. Mesela, bir resimde ne olduğunu veya bir hikayede neler olduğunu anlayabilirler. Nasıl mı? İşte burada derin öğrenme devreye giriyor. Derin öğrenme, bilgisayarların veriler arasındaki desenleri bulmasına yardımcı oluyor. Yani, yapay zekâ modelleri öğreniyorlar ve bu sayede yeni şeyler üretebiliyorlar.</p><p>Üretken Yapay Zekâ modelleri, öğrenme algoritmalarını kullanarak yeni resimler veya hikayeler üretebilirler. Bir Üretken Yapay Zekâ modeli, genellikle iki parçadan oluşur: bir <strong>encoder</strong> ve bir <strong>decoder</strong>. Kodlayıcı, veriyi anlamak için kullanılır. Örneğin, bir resmi inceleyebilir ve bu resmi özel bir şekilde temsil edebilir. Sonra çözücü bu temsil bilgisini alır ve yeni resimler veya metinler oluşturur.</p><p>Üretken Yapay Zekâ modellerini eğitirken bir sürü kedi resmi gösteririz ve bu modeller kedi resimlerin nasıl göründüğünü öğrenirler. Sonra, bu öğrendiklerini kullanarak yeni kedi resimleri yapabilirler.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*vgbtTuAxvzv4s945" /></figure><h3>Üretken Yapay Zekâ’nın Tarihi</h3><p>Üretken Yapay Zekâ’nın kökenleri, yapay zekâ tarihine dayanmaktadır. Ancak, bu alandaki büyük ilerlemeler son on yılda gerçekleşti.</p><p><strong>2010&#39;lar: </strong>Büyük dil modelleri, Doğal Dil İşleme alanında çığır açtı. GPT (Generative Pre-trained Transformer), BERT (Bidirectional Encoder Representations from Transformers) ve daha birçok model, dil anlama ve üretme yeteneklerini büyük ölçüde geliştirdi.</p><p><strong>2020&#39;ler: </strong>GPT-3 gibi modeller, dikkat çekici bir şekilde büyük ölçekli dil üretme yetenekleri sergiledi ve birçok uygulama için kullanılmaya başlandı.</p><h3>Üretken Yapay Zekâ ve Diğer Yapay Zeka Türleri Arasındaki Farklar</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*r0tdGYveOOydIERk" /></figure><p>Üretken Yapay Zekâ, yapay zekâ dünyasında önemli bir yere sahiptir, ancak diğer yapay zekâ türlerinden nasıl farklıdır? İşte bazı önemli farklar:</p><h4>Üretkenlik:</h4><p>Üretken Yapay Zekâ, yeni içerikler oluşturma yeteneği ile diğerlerinden ayrılır. Diğer yapay zekâ türleri genellikle veriyi analiz etmeye ve sonuçları çıkarmaya odaklanırken, Üretken Yapay Zekâ veriyi oluşturur.</p><h4>Uygulama Alanları:</h4><p>Üretken Yapay Zekâ, metin, görüntü, müzik, video ve daha birçok alanda kullanılabilir. Diğer yapay zeka türleri genellikle belirli bir uygulama alanına odaklanır.</p><h4>Veriye Bağımlılık:</h4><p>Üretken Yapay Zekâ modelleri, genellikle büyük miktarda eğitim verisine ihtiyaç duyarlar. Diğer yapay zeka türleri, daha az veriyle çalışabilir.</p><h3>Üretken Yapay Zekâ’nın Zorlukları ve Denge Unsurları</h3><p>Üretken Yapay Zekâ’nın önemli avantajlarına rağmen, bu alanda bazı zorluklar da bulunmaktadır. İşte dikkate almanız gereken bazı noktalar:</p><h4>Toxicity</h4><p>Üretken Yapay Zekâ modelleri, toplumsal normlara ve etik kurallara uymayan içerikler üretebilirler. Bu nedenle, denetim ve filtreleme mekanizmaları gereklidir.</p><h4>Hallucination</h4><p>Model, gerçek olmayan bilgiler üretebilir ve bu da yanlış bilgilere yol açabilir. Bu nedenle, çıktıları dikkatlice denetlemek önemlidir.</p><h4>Veri Kalitesi</h4><p>Üretken Yapay Zekâ’nın başarısı, eğitim verilerinin kalitesine bağlıdır. Temiz ve temsili veri, daha iyi sonuçlar elde etmenize yardımcı olur.</p><p>Üretken Yapay Zekâ’nın gücü göz önüne alındığında, yapay zekâ ile ilgili kararlar alırken dikkate alınması gereken önemli bir etken olduğunu vurgulamak önemlidir. Bu teknoloji, içerik üretme ve karar verme süreçlerinde etkili bir şekilde kullanılabilir, ancak etik ve toplumsal sorumluluklar göz ardı edilmemelidir.</p><p>Sonuç olarak, Üretken Yapay Zekâ, yapay zekâ dünyasının yaratıcı gücünü temsil ediyor. Ancak, bu gücü kullanırken dikkatli olunmalı ve toplumsal değerlere saygı gösterilmelidir. Bu teknolojinin geleceği, dengeyi korumak ve sorumlulukla hareket etmekle şekillenecektir.</p><p>​​Peki, Büyük Dil Modelleri (BDM’ler) üretken yapay zekânın nasıl bir parçası?</p><p>BDM’ler, metinleri üretmek, dilleri çevirmek, farklı türde yaratıcı içerikler yazmak ve sorularınızı bilgilendirici bir şekilde yanıtlamak için kullanılan büyük ve karmaşık makine öğrenimi modelleridir.</p><p>Bölüm 2&#39;de, BDM’lerin ortaya çıkışından, temel özelliklerinden ve eğitimlerine kadar her şeyi ele alacağız. Ayrıca, GPT-3 gibi en popüler BDM’lerden bahsedeceğiz ve dil modellerinin eğitimindeki zorluklara ve tartışmalı yönlere bakacağız.</p><p>Bir <a href="https://medium.com/@akbulutburak/b%C3%BCy%C3%BCk-dil-modelleri-dilin-evrimi-ve-yapay-zek%C3%A2-b%C3%B6l%C3%BCm-2-458ddea54f09"><strong>sonraki yazıda</strong></a> görüşmek üzere!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a7fc1ad65dd6" width="1" height="1" alt=""><hr><p><a href="https://medium.com/kodluyoruz/%C3%BCretken-yapay-zek%C3%A2-yapay-zek%C3%A2-d%C3%BCnyas%C4%B1n%C4%B1n-yarat%C4%B1c%C4%B1-g%C3%BCc%C3%BC-b%C3%B6l%C3%BCm-1-a7fc1ad65dd6">Generative AI: Yapay Zekâ Dünyasının Yaratıcı Gücü ~ Bölüm 1</a> was originally published in <a href="https://medium.com/kodluyoruz">Kodluyoruz</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>